计算机视觉期末复习（图像分割，相机标定，SFM，图像检索（bag of words）,角点检测 DoG）

收银员 v2重构和改进 测试： 自托管的Node.js比特币支付网关。 提供REST API（微服务）。 安全，无手续费地处理比特币付款。 请求付款（开票），支票付款（是否已付款），如果付款则接收回叫。 汇总（最终）地址上的资金。 取决于Nodejs v8 +，Bitcoin Core和Couchdb的存储。 简单 没有第三方（通过“比特币核心”节点工作） 交易在本地签名。 没有私钥泄漏 经过生产测试 兼容SegWit 安装 $ git clone https://github.com/Overtorment/Cashier-BTC && cd Cashier-BTC $ npm

mo_4_bag.m随机森林matlab源码，原文链接：https://blog.csdn.net/weixin_43863744/article/details/106579296

数据包：Team_Hector_MappingBox_RoboCup_2011_Rescue_Arena.bag

ts

来自TUM数据集用于ROS运行

视觉词典 词袋模型 有完整的介绍 ，ppt文档，注意是ENGLISH WRITTEN

rosdep update所需要链接的包

2D cartographer_paper_deutsches_museum.bag

基于matlab和bag of words的图像分类， 目录中不包含数据集！ 设计目标 输入一幅图像，输出标签 可以固定图片大小 实现 数据集：caltech101 matlab + bag of words 改自ImageCategoryClassificationTrainSample bag of words：利用matlab中bagOfFeatures函数提取SURF特征并K-means聚类构造“词典” svm：利用trainImageCategoryClassifier函数训练线性SVM分类器 测试结果： 训练集正确率：97.91% 测试集正确率：30.11% matlab + cnn + svm 改自DeepLearningImageClassificationSample cnn：利用预先训练好的AlexNet CNN网络获取特征向量，由于AlexNet已经针对ImageNet上的众多样本进行了训练，从其中抽取的特征向量对于一般图像具有较强的区分能力 svm：fitcecoc函数可以方便地训练基于SVM的多分类分类器 测试结果： 训练集正确率：99.67% 测试集正确率：77.95% 运行说明 两个实验文件夹都包含xml、m文件 xml为matlab2016b的新功能，旧版本可使用m文件 两个文件夹都有predictCategory.m文件，该函数输入参数为一幅任意图形，输出参数为类别字符串的元胞数组