计算机视觉中头部姿态估计的研究综述Head Pose Estimation in Computer Vision: A Survey（中文）

光度立体：基本光度立体算法的MATLAB实现

惊人的语义分割 Tensorflow && Keras上的惊人语义分割（包括FCN，UNet，SegNet，PSPNet，PAN，RefineNet，DeepLabV3，DeepLabV3 +，DenseASPP，BiSegNet ...） 楷模 该项目支持以下语义分割模型： FCN-8s / 16s / 32s- UNet- SegNet- 贝叶斯SegNet- PSPNet- RefineNet- PAN- DeepLabV3- DeepLabV3Plus- DenseASPP- BiSegNet- 基本型号 该项目支持以下这些主干模型，您可以根据需要选择合适的基本模型。

标签 使用Python进行图像多边形注释 | | 描述 Labelme是受启发的图形图像注释工具。 它是用Python编写的，并将Qt用于其图形界面。 实例分割的VOC数据集示例。 其他示例（语义分割，bbox检测和分类）。 各种图元（多边形，矩形，圆形，直线和点）。 产品特点 多边形，矩形，圆形，直线和点的图像注释。 （） 图像标记注释，用于分类和清洁。 （ ） 视频注释。 （） GUI自定义（预定义标签/标志，自动保存，标签验证等）。 （ ） 导出VOC格式的数据集以进行语义/实例分割。 （，） 导出COCO格式的数据集以进行实例细分。 （） 要求 Ubunt

involution.pytorch（） 一个PyTorch实现使用过密的 对合的非官方pytorch实现。 官方实现可以在找到。 特征 该层可以处理任意输入和输出通道，内核大小，步幅和减速比。 但是，输入通道应按组划分。 要求 pytorch >= 1.4.0 einops >= 0.3.0 用法 一个例子： >>> import torch >>> from involution import Involution >>> >>> x = torch.rand(2,8,5,5) >>> i = Involution(in_channels=8, out_channels=4, groups=4, kernel_size=3, stride=2, reduction_ratio=2) >>> i(x).size () torch.Size([2, 4, 3, 3]) 去做 Ima

使用Pix2Pix GAN将Google Satelite Image转换为Streetmap图像 Pix2Pix GAN是图像到图像转换的通用方法。 它基于条件生成对抗网络，其中生成目标图像，该目标图像以给定输入图像为条件。 提出了Pix2Pix GAN的思想。 根据该论文，该模型不仅学习从源图像到目标图像的映射，而且学习损失函数以训练该映射。 网络架构 生成器是经过修改的U-net模型，它将RGB图像作为输入，然后尝试将其映射到相同形状的另一个RGB图像。 鉴别器是一个PatchGan，输出一个30x30的矩阵，然后用于计算对抗损失。 数据集 可以使用此从Kaggle下载数据集。 下载数据集后，将其提取到data / dataset文件夹中。 超参数 source_images = 1096 target_images = 1096 IMAGE_HEIGHT = 256 IMAGE_W

Computer Vision几大巨头合写的书。介绍了Computer Vision各个领域最新的发展动态，以及大量鲁棒的算法。极具参考价值！

DeblurGAN DeblurGAN：使用条件对抗网络进行盲运动去模糊的Pytorch实现。 我们的网络将模糊的图像作为输入，并进行相应的清晰估计，如示例所示： 我们使用的模型是条件性Wasserstein GAN，具有基于VGG-19激活的渐变惩罚+感知损失。 这样的体系结构在其他图像到图像的转换问题（超分辨率，着色，修复，除雾等）上也给出了良好的结果。 怎么跑 先决条件 NVIDIA GPU + CUDA CuDNN（CPU未经测试，感谢反馈） 火炬 从下载权重。 请注意，在推论过程中，您仅需保持Generator权重。 放入砝码 /.checkpoints/experimen

PyTorch中的语义分割 此仓库包含一个PyTorch，用于不同数据集的不同语义分割模型的实现。 要求 在运行脚本之前，需要先安装PyTorch和Torchvision，以及用于数据预处理的PIL和opencv和用于显示培训进度的tqdm 。 支持PyTorch v1.1（使用新的受支持的Tensoboard）； 可以使用更早期的版本，但不要使用tensoboard，而要使用tensoboardX。 pip install -r requirements.txt 或本地安装 pip install --user -r requirements.txt 主要特点 清晰易用的结构， 一个j

《计算机视觉：算法与应用》探索了用于分析和解释图像的各种常用技术，描述了具有一定挑战性的视觉应用方面的成功实例，兼顾专业的医学成像和图像编辑与拼接之类有趣的大众应用，以便学生能够将其应用于自己的照片和视频，从中获得成就感和乐趣。《计算机视觉：算法与应用》从科学的角度介绍基本的视觉问题，将成像过程的物理模型公式化，然后在此基础上生成对场景的逼真描述。作者还运用统计模型来分析和运用严格的工程方法来解决这些问题。 　　《计算机视觉：算法与应用》作为本科生和研究生“计算机视觉”课程的理想教材，适合计算机和电子工程专业学生使用，重点介绍现实中行之有效的基本技术，通过大量应用和练习来鼓励学生大胆创新。此外，本书的精心设计和编排，使其可以作为计算机视觉领域中一本独特的基础技术参考和新研究成果文献。