循环GAN | 火炬实现，用于在没有输入输出对的情况下学习图像到图像的转换（ ），例如： 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。 *， *，， 加州大学伯克利分校伯克利分校AI研究实验室在ICCV 2017中。（*等额捐款） 该软件包包括CycleGAN， 以及其他方法，例如 / 和Apple的论文。 该代码被写了和。 更新：请检查CycleGAN和pix2pix的实现。 PyTorch版本正在积极开发中，其结果可与该Torch版本相媲美或更好。 其他实现： （由Harry Yang）， （由Archit Rathore撰写

面部防喷雾剂 使用CASIA-SURF CeFA数据集， 和脸反欺骗任务解决方案。 模型 M，参数 计算复杂度，MFLOP 红绿蓝 深度 红外 损失函数 最佳LR 最低ACER（CASIA-SURF值） 快照 羽毛网 0.35 79.99 :check_mark: :cross_mark: :cross_mark: 交叉熵 3e-6 0.0242 羽毛网 0.35 79.99 :check_mark: :check_mark: :cross_mark: 交叉熵 3e-6 0.0174 羽毛网 0.35 79.99 :check_mark: :check_mark: :check_mark: 交叉熵 1e-7 0.0397 下载 羽毛网 0.35 79.99 :check_mark: :cross_mark: :cross_mark: 失焦 3e-6 0.0066 下载 MobileLiteNet 0.57 270.91 :check_mark: :cross_mark: :cross_m

KittiBox KittiBox是用于在Kitti上训练模型FastBox的脚本的集合。 有关Fastbox的详细说明，请参见我们的。 FastBox旨在以很高的推理速度存档高检测性能。 在Kitti数据上，该模型的吞吐量为28 fps（36毫秒），是FasterRCNN的两倍以上。 尽管FastBox速度惊人，但其性能却明显优于Faster-RCNN。 任务 中等 简单 硬 速度（毫秒） 速度（fps） 快速盒 86.45％ 92.80％ 67.59％ 35.75毫秒 27.97 更快的RCNN 78.42％ 91.62％ 66.85％ 78.30毫秒 12.77

SimCLR-视觉表示形式对比学习的简单框架 消息！ 我们发布了SimCLR的TF2实现（以及TF2中的转换后的检查点），它们位于。 消息！ 新增了用于Colabs，请参见。 SimCLR的插图（来自 ）。 SimCLRv2的预训练模型 我们在这里开源了总共65个经过预训练的模型，与论文的表1中的模型相对应： 深度 宽度 SK 参数（M） 金融时报（1％） FT（10％） FT（100％） 线性评估 监督下 50 1倍 错误的 24 57.9 68.4 76.3 71.7 76.6 50 1倍 真的 35 64.5 72.1 78.7 74.6 78.5 50 2倍 错误的 94 66.3 73.9 79.1 75.6 77.8 50 2倍 真的 140 70.6 77.0 81.3 77.7 79.3 101 1

锁定/解锁Ubuntu OS 介绍 我们可以使用面部识别来锁定和解锁我们的Ubuntu系统（目前仅在Ubuntu上）。 关于实施的文章 演示版 要求 安装在本地计算机中所需的库下面。 python 3.7 的opencv 4.1.0 麻木 人脸识别 sudo apt-get安装gnome-screensaver sudo apt-get安装xdotool 快速开始 我使用了三个python文件来解决此问题。 face_generate.py这将检测到您的脸并将其保存在数据集文件夹中，然后将使用您的名字创建新文件夹。 face_train.py这个python文件将打开数据集文件夹并

Gluon CV工具包 | | | | GluonCV提供了计算机视觉中最先进的（SOTA）深度学习模型的实现。 它是为工程师，研究人员和学生设计的，用于基于这些模型快速制作原型产品和研究思路。 该工具包提供四个主要功能： 训练脚本以重现研究论文中报告的SOTA结果 同时支持PyTorch和MXNet 大量的预训练模型 精心设计的API，可大大降低实施复杂性 社区支持 演示版 在或检查高清视频。 支持的应用 应用 插图 可用型号 识别图像中的物体。 50多个模型，包括 ， ， ， ，... 用它们的检测多个对象图像中的边界框。 ， ， 关联图像的每个像素带有分类标签。 ， ， ， ， ， ， 检测物体并关联对象区域内的每个像素都有一个实例标签。 检测人体姿势从图像。 认识人类的行为在视频中。 MXNet： ， ， ， ， ， ， ，， PyTorch： ， ， ， ，， ， ， 预测深度图从图像。 生成视觉欺骗性图像 ， ， 重新识别场景中的行人 安装 GluonCV构建在MXNe

背景分离matlab代码计算机视觉与模式识别 内容 1.关于此存储库 该存储库是基本计算机视觉和图像处理技术的集合。 算法的实现在MATLAB中。 2.直方图均衡 图像处理技术。 查看更多详细信息。 代码 3.对比度拉伸 图像处理技术。 查看更多详细信息。 代码 4.边缘检测 图像处理技术。 查看更多详细信息。 代码 5.去除背景 图像处理技术。 查看更多详细信息。 代码 6.背景前景分离 前景检测和背景减法是计算机视觉和图像处理中的主要任务。 查看更多详细信息。 代码

Welcome to the Practitioner Bundle of Deep Learning for Computer Vision with Python! This volume is meant to be the next logical step in your deep learning for computer vision education after completing the Starter Bundle. At this point, you should have a strong understanding of the fundamentals of parameterized learning, neural net works, and Convolutional Neural Networks (CNNs). You should also feel relatively comfortable using the Keras library and the Python programming language to train your own custom deep learning networks. The purpose of the Practitioner Bundle is to build on your knowledge gained from the Starter Bundle and introduce more advanced algorithms, concepts, and tricks of the trade — these tech- niques will be covered in three distinct parts of the book. The first part will focus on methods that are used to boost your classification accuracy in one way or another. One way to increase your classification accuracy is to apply transfer learning methods such as fine-tuning or treating your network as a feature extractor. We’ll also explore ensemble methods (i.e., training multiple networks and combining the results) and how these methods can give you a nice classification boost with little extra effort. Regularization methods such as data augmentation are used to generate additional training data – in nearly all situations, data augmentation improves your model’s ability to generalize. More advanced optimization algorithms such as Adam [1], RMSprop [2], and others can also be used on some datasets to help you obtain lower loss. After we review these techniques, we’ll look at the optimal pathway to apply these methods to ensure you obtain the maximum amount of benefit with the least amount of effort.

计算机视觉 算法与应用，这是一本经典的计算机视觉的教程，由Richard Szeliski撰写，本书清晰无无污染，适合打印（ps 这本书是英文版的）

Multiple View Geometry in Computer Vision( 计算机视觉中的多视图几何 )中英文文档各一份 hartley 大神之作