MAE论文阅读汇报ppt，组会可参考

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

霍夫变换检测圆代码MATLAB 计算机视觉项目地球检测 在混乱的环境中进行政治地球仪检测 计算机视觉中的常见问题是在图片或视频流中搜索并找到特定的对象或形状。 在这个特殊的项目中，我们被要求设计和实施一个完整的程序，该程序可以通过选择可用的工具或编写我们自己的代码来识别任何方向和混乱环境中的小政治世界。 要运行该算法，请在Matlab中打开文件“ globe.m”。 它使用文件Hough Circles，DiscardDuplicateCircles，DiscardInnerCircles，DiscardNonEnclosedCircles查找图像中的圆。 完全包含在另一个圆中的圆被丢弃。 同样，不完全位于图像中的圆圈也将被丢弃。 经过初步处理并使用霍夫变换找到圆后，我们检测经度和纬度形成的平方以检测地球。 文件HoughLines，SeparateHorVerLines，DiscardDuplicateLines，DiscardNonHorVerLines，FindSquares用于查找图像中的正方形。 有关该项目的详细信息，请参见-。

VISION SDK是一个多处理器的ADAS-SoCs的TI系列软件开发平台。软件框架允许用户创建不同的ADAS应用程序数据流，包括视频捕获、视频预处理、视频分析算法和视频显示。该框架具有ADAS数据流样本，在ADAS SoC中运行不同的cpu和硬件加速器，并向客户展示如何在SoC中有效地使用不同的子系统。 VISION SDK基于一个名为“链接和链”（“Links and Chains”）的框架。连接（link）是视频数据流中的基本处理步骤。链接由一个与消息框（message box）耦合的操作系统线程（使用操作系统信号量实现）组成。由于每个链接作为单独的线程运行，因此链接可以彼此并行运行。

通过视觉惯性数据融合进行室内导航 这是以下论文的代码： Farnoosh，A.，Nabian，M.，Closas，P.，＆Ostadabbas，S.（2018年4月）。 通过视觉惯性数据融合进行第一人称室内导航。 在位置，位置和导航专题讨论会（PLANS）中，2018 IEEE / ION（pp.1213-1222）。 IEEE。 联系人 ， 内容 1.要求 这段代码是用MATLAB R2016b编写的 2.用于收集视频-IMU的iPhone应用程序 联系 ，请求访问我们的iPhone应用程序以收集频率可调的同步视频和IMU数据 2.样本视频 本文中用于实验的走廊的原始视频以及通过我们的iPhone App收集的IMU测量值都包含在./sample_video/目录中。 3.走廊视频的运行代码 运行demo_vpdetect_modular.m 此代码包含以下部分： 阅读整个视频