Learning OpenCV 3 Computer Vision with Python(2nd) 英文epub 第2版 本资源转载自网络，如有侵权，请联系上传者或csdn删除 查看此书详细信息请在美国亚马逊官网搜索此书

用于文档图像变形的门控和分叉堆叠式U-Net模块 捕获文档图像是记录它们的最简单，最常用的方法之一。 但是，这些图像是在手持设备的帮助下捕获的，通常会导致难以消除的不良失真。 我们提出了一个监督的门控和分叉堆叠式U-Net模块，以预测变形网格并从输入中创建无失真的图像。 在对网络进行人工合成的文档图像训练时，将根据真实世界的图像来计算结果。 我们方法的新颖性不仅存在于U-Net的分叉中，以帮助消除网格坐标的混合，而且还存在于使用门控网络的情况下，该门控网络为模型增加了边界和其他分钟线级别的细节。 我们提出的端到端流水线仅在先前方法中使用的数据的8％进行训练后，就可以在DocUNet数据集上实现最新的性能。 要求 所需的软件包： 火炬（> 1.4.0） 火炬视觉（> 0.6.0） numpy（> 1.18.4） 要安装所有必需的软件包，请使用pip install -r requir

在线实例分类器细化（OICR）的多实例检测网络的PyTorch实现 如何开始 git clone http://www.github.com/jd730/OICR-pytorch 依存关系 Python 3.5或更高版本 火炬0.4.0（不是0.4.1） CUDA 8.0或更高 资料准备 PASCAL_VOC 07 + 12 ：请按照中的说明准备VOC数据集。 实际上，您可以参考其他任何人。 下载数据后，在文件夹data /中创建软链接。 选择性搜寻 wget https://dl.dropboxusercontent.com/s/orrt7o6bp6ae0tc/selective_search_data.tgz tar -xvf selective_search_data.tgz rm -rf selective_search_data.tgz 将selective_search_

用单个深度学习模型替换移动相机ISP 1.概述 该库提供了RAW到RGB映射方法的实施和PyNET CNN在介绍。 该模型经过训练，可以将直接从移动相机传感器获得的RAW Bayer数据转换为使用专业的佳能5D DSLR相机拍摄的照片，从而取代了整个手工制作的ISP相机产品线。 提供的预训练PyNET模型可用于从使用Sony Exmor IMX380相机传感器捕获的RAW（DNG）图像文件生成全分辨率12MP照片。 对于华为P20和BlackBerry KeyOne智能手机，此方法的更多视觉效果可在找到。 2.先决条件 Python：scipy，numpy，imageio和枕头套件 + 英伟达GPU 3.第一步 下载预训练的 ，并将其放入vgg_pretrained/文件夹。 下载经过预训练的，并将其放入models/original/文件夹中。 将下载并将其提取到raw_images/文件夹中。 此文件夹应包含三个子文件夹： train/ ， test/和full_resolution/ 请注意，Google云端硬盘的配额限制了每天的下载量。 为了避免这种情况，您可以

头部姿势估计-OpenCV 在计算机视觉中，姿势估计特别是指对象相对于相机的相对方向。 姿势估计在计算机视觉中通常称为“透视n点”问题或PNP问题。 样片 安装 使用包管理器 。 pip install -r requirements.txt cd models bash downloader.sh cd .. 用法 从图像获取姿势 python head_pose_from_image.py -h 从网络摄像头获取姿势 python head_pose_from_webcam.py -h #### For source 0 and focal length 1 python head_pose_from_webcam.py -f 1 -s 0 3D模型可视化 python Visualize3DModel.py

收割 一个简单的基于机器学习的网站，推荐最佳农作物，肥料和农作物所患疾病 动机 农业是影响一国经济增长的主要部门之一。 在像印度这样的国家，大多数人口以农业为生。 机器学习和深度学习等许多新技术正在农业中实施，因此农民可以更轻松地发展并最大程度地提高产量。 在这个项目中，我提供一个网站，其中实现了以下应用程序； 作物推荐，肥料推荐和植物病害预测。 在农作物推荐应用程序中，用户可以从他们的侧面提供土壤数据，并且该应用程序将预测用户应该种植哪种农作物。 对于肥料推荐应用程序，用户可以输入土壤数据和他们正在生长的农作物的类型，该应用程序将预测土壤缺乏或过量的土壤，并会提出改进建议。 对于最后一个应用程序，即植物病害预测应用程序，用户可以输入患病植物叶片的图像，该应用程序将预测它是什么病害，并且还会提供有关该病害的一些背景知识以及如何治愈该病害的建议。 数据源 （定制数据集） （定制数

计算机视觉方向经典教材，英文原版，彩色

关于计算机视觉的电子书，最新版本，经典著作，适合工学理学等领域

毕业设计 这是我使用“深度学习”的学士学位毕业项目的仓库。

学习丰富的功能以进行真实图像还原和增强（ECCV 2020） ， ， ， ， ， 和 论文： : 补充文件： 视频演示： : 摘要：为了从降级版本中恢复高质量图像内容，图像恢复在监视，计算摄影，医学成像和遥感等领域拥有众多应用。 最近，卷积神经网络（CNN）与传统的图像恢复任务方法相比取得了巨大的进步。 现有的基于CNN的方法通常以全分辨率或渐进式低分辨率表示形式运行。 在前一种情况下，获得了空间精确但上下文上不那么健壮的结果，而在后一种情况下，生成了语义上可靠但空间上不太准确的输出。 在本文中，我们提出了一种新颖的体系结构，其总体目标是通过整个网络维护空间精确的高分辨率表示，并从低分辨率表示接收强大的上下文信息。 我们方法的核心是包含几个关键元素的多尺度残差块：（a）并行多分辨率卷积流，用于提取多尺度特征；（b）跨多分辨率流的信息交换；（c）空间和渠道关注机