computer vision:algorithm and applications
written by Richard
2021-08-31 14:17:37
22.14MB
1
冠状动脉CT
该数据集的实用性已由中国武汉同济医院的一名高级放射科医生确认，他在1月至4月的疾病暴发期间对大量COVID-19患者进行了诊断和治疗。
发布此数据集后，我们收到了一些反馈，表达了对该数据集可用性的担忧。 主要问题概述如下。 首先，将原始CT图像放入纸张中后，这些图像的质量会下降，这可能会使诊断决策的准确性降低。 质量下降包括：损失了Hounsfield单位（HU）值； 每个像素的位数减少； 图像的分辨率降低。 其次，原始的CT扫描包含一系列CT切片，但是当放入论文中时，只选择了几个关键切片，这也可能对诊断产生负面影响。
我们就这两个问题咨询了同济医院的放射科医生。 放射科医生认为，这些问题引起的问题不会显着影响诊断决策的准确性。 首先，经验丰富的放射科医生能够根据低质量的CT图像做出准确的诊断。 例如，给定由智能手机拍摄的原始CT图像照片，尽管照片中的CT图像质量比原始CT图像低得多，但是有经验的放射科医生仅通过查看照片即可做出准确的诊断。 同样，论文中的CT图像与原始CT图像之间的质量差距不会在很大程度上损害诊断的准确性。 其次，虽然最好读取一系列CT切片，但通常单
2021-08-31 13:40:54
370.82MB
1
英文电子书：Applied Graph Theory In Computer Vision And Pattern Recognition
2021-08-30 21:19:14
7.8MB
1
Digital Image Processing 第四版 和官方版一样，欢迎希望学习计算机图像处理的同学下载
2021-08-25 11:50:47
43.5MB
1
适用于Windows和Linux的Yolo v4，v3和v2
（用于物体检测的神经网络）
纸YOLO v4： ：
Paper Scaled ： ： 用于重现结果：
有关媒体的文章中的更多详细信息：
手册： ：
讨论：
关于Darknet框架： :
如何在Linux上编译
如何在Windows上编译
AP50：95-FPS（Tesla V100）论文： ：
AP50：95 / AP50-FPS（Tesla V100）论文： ：
tkDNN-TensorRT将批次1的YOLOv4加速约2倍，将批次4的YOLOv4加速3倍至4倍。
tkDNN： ：
Op
2021-08-24 12:06:47
7.85MB
1
固态继电器
PyTorch实施具有梯度引导的保留结构超分辨率（CVPR 2020）[ ] [ ]
如果您发现我们的工作对您的研究有用，请考虑引用：
@inproceedings{ma2020structure,
title={Structure-Preserving Super Resolution with Gradient Guidance},
author={Ma, Cheng and Rao, Yongming and Cheng, Yean and Chen, Ce and Lu, Jiwen and Zhou, Jie},
booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
year={2020}
}
依存关系
P
2021-08-24 11:07:39
11.02MB
1
deep-learning-for-computer-vision-with-python三册全-文字版非扫描版
超值精品内容保证，书中代码可复制，非图片扫描版。指导计算机视觉领域深度学习必备！
2021-08-23 20:54:35
60.58MB
1
D3DShot
D3DShot是的纯Python实现。 它利用DXGI和Direct3D系统库为Windows上的Python脚本和应用程序启用了极其快速和强大的屏幕捕获功能。
D3DShot：
是迄今为止在Windows 8.1+上使用Python捕获屏幕的最快方法
很好用。 如果您能记住10种方法，那么您将了解全部。
涵盖所有常见方案和用例：
屏幕截图存储
屏幕截图到磁盘
屏幕截图每隔X秒到内存缓冲区（线程；非阻塞）
每X秒将快照截屏到磁盘（线程；非阻塞）
高速捕获到内存缓冲区（线程；非阻塞）
开箱即用捕获到PIL图像。 如果可以找到NumPy或PyTorch，则优雅地添加
2021-08-22 18:32:42
25KB
1
openpifpaf
经过Linux，MacOS和Windows的持续测试：
PifPaf：用于人类姿势估计的复合字段
我们提出了一种用于多人2D人体姿势估计的新的自下而上的方法，该方法特别适合于城市机动性，例如无人驾驶汽车和送货机器人。 新方法PifPaf使用“零件强度场”（PIF）定位身体部位，并使用“零件关联场”（PAF）将身体部位彼此关联以形成完整的人体姿势。 由于（i）我们的新复合场PAF编码了细粒度的信息，并且（ii）选择了包含不确定性概念的回归Laplace损失，因此我们的方法在低分辨率以及拥挤，混乱和遮挡的场景中优于以前的方法。 我们的架构基于完全卷积，单发，无盒设计。 我
2021-08-21 15:44:43
5.99MB
1
该存储库是用于在计算机视觉中使用pcl和tensorflow的沙箱（实验代码）
“细分”是利用pcl从深度传感器中捕获3d点云，应用SAC细分以去除大型平面，通过pcl欧几里德聚类提取从场景中提取细分/数据/模型中预定义3D模型的候选实例，进行分类的管道他们使用点网将其放入预定义的对象集中，然后通过pcl SampleConsensusPrerejective估计其姿势
使用的软件包：
python 3.5 x64
https://www.python.org/downloads/release/python-350/
pip install --upgrade https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-1.0.0-cp35-cp35m-win_amd64.whl
pip install scipy
2021-08-20 17:09:17
131.48MB
1