Computer Vision Metrics provides an extensive survey and analysis of over 100 current and historical feature description and machine vision methods, with a detailed taxonomy for local, regional and global features. This book provides necessary background to develop intuition about why interest point detectors and feature descriptors actually work, how they are designed, with observations about tuning the methods for achieving robustness and invariance targets for specific applications. The survey is broader than it is deep, with over 540 references provided to dig deeper. The taxonomy includes search methods, spectra components, descriptor representation, shape, distance functions, accuracy, efficiency, robustness and invariance attributes, and more. Rather than providing ‘how-to’ source code examples and shortcuts, this book provides a counterpoint discussion to the many fine opencv community source code resources available for hands-on practitioners.

修改TensorFlow 2.4及以上（或2.2，如果您使用XCenterNet标记为V1.0.0）上述tf.keras实施CenterNet对象检测在描述由兴义周，王德泉，菲利普·克雷恩布尔和TTFNet刘屠征，徐国栋，杨正，刘海峰，蔡登。有关原始实现，请参阅和。 此实现不是本文或pytorch实现的精确副本，因为我们已根据需要对其进行了修改，因此此回购协议具有一些功能： 使用tf2.2 + keras模型train_step和tf.data.dataset 使用来自tf2.3 +的tensorflow.keras.applications.efficiencynet 高效的网络和Resnet骨干网 tf.dataset的多尺度训练和扩充 添加了更强大的NMS，以获得更好的结果 无需姿势估计或3D，只需简单的物体检测 使用可变形卷积 易于在自己的数据集上进行微调，并自定义自己的图像增强，

LearnVulkan：了解Vulkan。 适用于Linux和Windows的Vulkan，QT，CUDA，OpenCV高级示例

本人开发的一个机器视觉检测的项目（使用的是labview 视觉模块），适合初学者学习借鉴如何开发顺序控制程序、控制控件属性、视觉助手的使用、数据库的数据调用和储存等

PyTorch中的CycleGAN和pix2pix 新增内容：请检查（CUT），这是我们新的非成对图像到图像翻译模型，可实现快速且高效存储的培训。 我们为未配对和配对的图像到图像转换提供PyTorch实施。 该代码被写了和，并支持。 这种PyTorch实施产生的结果可与原始Torch软件相比，甚至更好。 如果您想重现与论文相同的结果，请在Lua / Torch中查看原始的和代码。 注意：当前软件可与PyTorch 1.4配合使用。 检查出支持PyTorch 0.1-0.3的较旧。 您可以在和找到有用的信息。 要实现自定义模型和数据集，请查看我们的。 为了帮助用户更好地理解和适应我们

PyTorch图像分类 以下论文是使用PyTorch实现的。 ResNet（ ） ResNet- （ ） 警告（ ） DenseNet（ ， ） 金字塔网（ ） ResNeXt（ ） 摇一摇（ ） LARS（ ， ） 抠图（ ） 随机擦除（ ） SENet（ ） 混合（ ） 双切口（ 1802.07426 ） RICAP （ 1811.09030 ） CutMix（ 1905.04899 ） 要求 Ubuntu（仅在Ubuntu上进行过测试，因此可能无法在Windows上运行。） Python> = 3.7 PyTorch> = 1.4.0 火炬视觉 NVIDIA Apex pip install -r requirements.txt 用法 python train.py --config configs/cifar/

LoFTR：与变压器互不影响的无检测器局部特征 | LoFTR：与变压器互不干扰的本地特征匹配*，*， *，，CVPR 2021 代码发布ETA 我们计划在接下来的一周内发布仅推理的代码和预训练的模型，敬请期待。 用于数据预处理，培训和验证的整个代码库正在进行重大重构，并将于6月左右发布。 如果您希望收到代码发布的通知，请订阅。 同时，在中欢迎对该文件进行。 引文 如果您发现此代码对您的研究有用，请使用以下BibTeX条目。 @article{sun2021loftr, title={{LoFTR}: Detector-Free Local Feature Matching with Transformers}, author={Sun, Jiaming and Shen, Zehong and Wang, Yuang and Bao, Hujun and Zhou, Xiao

3D扫描 基于格雷码-相移技术的结构化3D扫描仪的实现。 该代码是使用开发的，尚未清除，因此仍包含CodeBlocks自动生成的项目文件。 这个项目是我的硕士课程的一部分。 详细介绍了此项目中实现方法的论文可。

Computer Vision A Modern Approach (英文第2版)，机器视觉领域的经典教材之一，由David A. Forsyth、Jean Ponce编写。

Robotics, Vision and Control. First Edition 2011 的第二版，昆士兰理工Peter Corke教授2017年最新力作，机器人算法基础入门必读书籍。此部分为Part 1，Part 2，Part 3已上传。