PythonSIFT 这是在 NumPy 的帮助下完全在 Python 中完成的 SIFT（David G. Lowe 的尺度不变特征变换）的实现。 此实现基于OpenCV实现，并返回OpenCV KeyPoint对象和描述符，因此可以用作OpenCV SIFT的直接替代。 该存储库旨在帮助计算机视觉爱好者了解 SIFT 背后的细节。 2020/2/11 更新 PythonSIFT 已在 Python 3 中重新实现（并大大改进！）。您可以在legacy分支中找到原始 Python 2 版本。 但是，我强烈建议您使用master （新的 Python 3 实现）。 好多了。 依赖关系 Python 3 NumPy OpenCV-Python 最后使用Python 3.8.5 、 Numpy 1.19.4和OpenCV-Python 4.3.0成功测试。 用法 import cv2

循环码matlab中编程代码从阴影形状到光度立体 光度立体运算法则的输入是在已知照明方向上拍摄的一组照片，而运算法则的输出是反照率（油漆），法线方向和高度图。 执行代码的步骤 下载此文件夹并将其复制到您的Matlab文件夹中。 执行eval_code.m。此文件生成反照率，表面法线和高度图。 在eval_code.m中更改subjectName，以查看注释中列出的不同主题的输出。 在eval_code.m中，修改integrationMethod以观察各种方法的结果。 注释中列出了允许的方法。 对于列，行和平均积分方法。 我使用两种方法来执行整合。 求和方法进行积分。 此方法不需要for循环。 使用先前计算的值确定当前像素的高度图。 这基本上是动态编程。 两种方法给出的结果完全相同。 在getSurface.m文件中注释了第二种方法。 可以使用上述两种方法取消注释并验证结果。

研究 发布基于飞轮的前沿研究工作，包括CV，NLP，KG，STDM等领域的顶会论文和比赛冠军模型。 目录 计算机视觉 任务类型 目录 简介 论文链接 图像检索 基于GNN的快速图像检索。 车流统计 AICITY2020车流统计竞赛数据集A TOP1方案。 -- 车辆再识别 给定目标车辆，在检索库中检索同id车辆，支持多种特征子网络。 -- 车辆异常检测 在监控视频中检测车辆异常情况，例如车辆碰撞，失速等。 -- 医学图像分析 任务：在AS-OCT图像的公共数据集上进行闭角类型分类和巩膜突点定位；相应模型：对应以上各任务的替代模型。 -- 光流估计 基于金字塔式处理，逐层学习细部光流，设计代价容量函数三原则的CNN模型，用于光流估计。 语义分割 针对多个数据集的图像语义分割模型的实现，包括Cityscapes，Pascal Context和ADE20K。 -- 轻量化检测 百度之星轻量化检测比赛评估工具。 -- 地标检索与识别 基于检索的地标检索与识别系统，支持地标型与非地标型识别，识别与检索结果相结合的多重识别结果投票和重新排序。 图像分类 模型利用重定义网络（URNet）

Computer Vision-A Modern Approach，第二版(英文)，2012，非扫描版

学校买了Mathworks的licence，所以直接Mathworks 上下载的

Understanding color & the in-camera image processing pipeline for computer vision_ICCV 2019 Tutorial – Seoul, Korea

实例阴影检测（CVPR'20） *，*，王琼，Pheng -安恒，和（*联合第一作者。） [ ] [ ] [ ] 实例阴影检测旨在找到与对象实例配对的阴影实例。 我们提出了一个数据集，一个深入的框架和一个评估指标来应对这一新任务。 此在上。 依存关系 python> = 3.6 火炬== 1.3.0 + cu100 火炬视觉== 0.4.1 + cu100 张量板 赛顿 朱皮特 scikit图像 麻木 的OpenCVPython的 pycocotools 安装 安装LISA和pysobatools $ cd InstanceShadowDetection $ python setup.py install $ cd PythonAPI $ python setup.py install 码头工人 $ cd InstanceShadowDetection/docker $

NIMA：神经影像评估 这是Hossein Talebi和Peyman Milanfar撰写的《 （在接受）的PyTorch实现。 您可以从了解更多。 实施细节 该模型在上进行了训练，该包含大约255,500张图像。 你可以从得到它。 注意：数据集中可能存在一些损坏的图像，请在开始训练之前先将其删除。 该数据集分为229,981张图像用于训练，12,691张图像用于验证和12,818张图像用于测试。 ImageNet预训练的VGG-16用作模型的基础网络，为此，我在验证集上损失了约0.072 EMD。 尚未在本文中尝试过其他两个选项（MobileNet和Inception-v2）。 非常欢迎您进行自己的扩展。 学习率设置与原始论文不同。 我似乎无法使用3e-7的转换底数和3e-6的密集区块的底线来使模型收敛于动量SGD。 另外，我没有做太多的超参数调整，因此您可能会获得更好的结果

Monodepth2 这是参考PyTorch实施，使用以下方法描述的方法来训练和测试深度估计模型 挖掘自我监督的单眼深度预测 ， ，和 此代码仅供非商业使用； 请参阅中的条款。 如果您发现我们的工作对您的研究有用，请考虑引用我们的论文： @article{monodepth2, title = {Digging into Self-Supervised Monocular Depth Prediction}, author = {Cl{\'{e}}ment Godard and Oisin {Mac Aodha} and

pix2pix：使用生成对抗网络进行图像到图像的翻译