CompreFace-Exadel的开源人脸识别系统 CompreFace是一项免费的人脸识别服务，可以轻松集成到没有事先机器学习技能的任何系统。 ··· 面对面 总览 CompreFace是用于人脸识别的基于docker的应用程序，可以集成为独立服务器或部署在云中，并且无需机器学习专家即可进行设置和使用。 我们的方法基于深度神经网络，它是最流行的面部识别方法之一，并提供了便捷的REST API，用于Face Collection训练和面部识别。 我们还提供了一个角色系统，您可以使用它轻松控制谁可以访问Face Collection。 每个用户都可以创建自己的模型，并在输入数据的不同子集上对

图片字幕 介绍 建立一个模型以从图像生成字幕。 给定图像后，模型可以用英语描述图像中的内容。 为了实现这一点，我们的模型由一个编码器（一个CNN）和一个解码器（一个RNN）组成。 为CNN编码器提供了用于分类任务的图像，其输出被馈送到RNN解码器，后者输出英语句子。 该模型及其超参数的调整基于论文和。 我们使用微软Çommon在CO NTEXT（MS COCO）O bjects为这个项目。 它是用于场景理解的大规模数据集。 该数据集通常用于训练和基准化对象检测，分段和字幕算法。 有关下载数据的说明，请参见下面的“数据”部分。 代码 该代码可以分为两类： 笔记本-该项目的主要代码由一系列Jupyter笔记本构成： 0_Dataset.ipynb介绍数据集并绘制一些样本图像。 1_Preliminaries.ipynb加载和预处理数据并使用模型进行实验。 2_Training.ip

全景OpenCV 从stitch_final.py的文档中 用法：pythonitch_final.py -dest <目标文件名.jpg> 用法： （例子） ： 请将存储库克隆到工作文件夹。 执行以下命令 pythonitch_final.py images / destination.jpg 它将询问是否要修剪或旋转，请按照给定的指示进行操作。 图像将显示并保存到给定的目的地。 [理论等稍后添加]-维护中的回购...！ 上班的人，是吗？ :)

每个像素都很重要：域自适应对象检测器的中心感知特征对齐 该项目托管用于实现“ （ECCV 2020）的代码。 介绍 域自适应对象检测器旨在使其自身适应可能包含对象外观，视点或背景变化的不可见域。大多数现有方法都在图像级别或实例级别采用特征对齐。但是，全局特征上的图像级别对齐可能会同时纠缠前景/背景像素，而使用提案的实例级别对齐可能会遭受背景噪声的困扰。 与现有解决方案不同，我们提出了一种域自适应框架，该框架通过预测逐像素的对象度和中心度来考虑每个像素。具体而言，所提出的方法通过更加关注前景像素来进行中心感知对齐，从而实现跨域更好的适应性。为了更好地跨域对齐要素，我们开发了一种中心感知的对齐方法，该方法可以进行对齐过程。 我们在众多的适应性设置上展示了我们的方法，并获得了广泛的实验结果，并针对现有的最新算法展示了良好的性能。 安装 检查以获取安装说明。 我们的无锚检测器的实现很大程度上基于F

此仓库是AWESOME摄影测量项目，应用程序，工具和资源的集合。 标有的项目 是开源软件，并链接到源代码。 标有的项目 是非免费的，可能需要花钱才能使用。 随意贡献/加星/分叉/拉取请求。 任何建议和意见是值得欢迎的。 目录 科学会议 相关真棒列表 执照 致谢 定义 根据K. Schindler和W.Förstner的摄影测量学定义： “摄影测量学是从图像中获取有关物理环境信息的科学技术，重点是在测量，制图和高精度计量学中的应用。摄影测量学的目的是为这些工程任务提供自动化或半自动化的程序，着重于指定的准确性，可靠性和信息完整性。” 资料来源：K. Schindler和W.Förstner的摄影测量（2020）。 于：《计算机视觉：参考指南》，第二版。 摄影测量软件 Agisoft变形 麦克麦克 MVE OpenDroneMap Pix4D 现实捕捉 确保

面部对齐 通过回归树进行人脸对齐 预要求 Visual Studio 2012+ 和 OpenCV 安装在 C:/opencv

Hands-On Computer Vision with Julia is a thorough guide for developers who want to get started with building computer vision applications using Julia. Julia is well suited to image processing because it's easy to use and lets you write easy-to-compile and efficient machine code. This book begins by introducing you to Julia's image processing libraries such as Images.jl and ImageCore.jl. You'll get to grips with analyzing and transforming images using JuliaImages; some of the techniques discussed include enhancing and adjusting images. As you make your way through the chapters, you'll learn how to classify images, cluster them, and apply neural networks to solve computer vision problems. In the concluding chapters, you will explore OpenCV applications to perform real-time computer vision analysis, for example, face detection and object tracking. You will also understand Julia's interaction with Tesseract to perform optical character recognition and build an application that brings together all the techniques we introduced previously to consolidate the concepts learned. By end of the book, you will have understood how to utilize various Julia packages and a few open source libraries such as Tesseract and OpenCV to solve computer vision problems with ease. What you will learn Analyze image metadata and identify critical data using JuliaImages Apply filters and improve image quality and color schemes Extract 2D features for image comparison using JuliaFeatures Cluster and classify images with KNN/SVM machine learning algorithms Recognize text in an image using the Tesseract library Use OpenCV to recognize specific objects or faces in images and videos Build neural network and classify images with MXNet Who This Book Is For Hands-On Computer Vision with Julia is for Julia developers who are interested in learning how to perform image processing and want to explore the field of computer vision. Basic knowledge of Julia will help you understand the concepts more effectively.

信息网 通过提出的MIRNet架构的Tensorflow实现，。 Lanuch笔记本： Wandb日志： ://wandb.ai/19soumik-rakshit96/mirnet MIRNet的TFLite变体： : 。 Tensorflow Hub上的TFLite模型： ://tfhub.dev/sayakpaul/lite-model/mirnet-fixed/dr/1 。 MIRNet的Tensorflow JS变体： : 。 预先训练的体重 在128x128补丁程序上进行了训练： ：//drive.google.com/file/d/1sUlRD5MTRKKGxtqyYDpTv7T3jOW6aVAL/view usp = sharing 已针对256x256补丁进行了培训： https ：//drive.google.com/file/d/1sUlRD5MTR

图像重复数据删除器（imagededup） imagededup是一个python软件包，它简化了在图像集合中查找精确且几乎重复的任务。 该软件包提供了利用散列算法的功能，这些算法特别擅长查找精确的重复项，而卷积神经网络也擅长查找近似的重复项。 还提供了评估框架来判断给定数据集的重复数据删除质量。 以下详细说明了软件包提供的功能： 使用以下算法之一在目录中查找重复项： （CNN） （PHash） （DHash） 波哈希（WHash） （AHash） 使用上述算法之一生成图像编码。 给定基本事实映射的框架来评估重复数据删除的有效性。 绘制找到给定图像文件的重复项。 该软

计算机视觉：模型学习和推理（算法） Simon JD Prince教授撰写的《计算机视觉：模型学习和推理》一书中算法的Python实现。 这本书，算法。 这些算法是根据本书中的章节进行组织的，这些章节介绍了与机器学习和计算机视觉有关的几个主题。 第四章 本章概述了用于将概率模型拟合到数据的方法。 本章涵盖了三种方法，每种方法都有两个示例：最大似然估计（4.1，4.4），最大后验（4.2，4.5）和贝叶斯方法（4.3，4.6）。 第一组示例用于单变量正态分布，而第二组示例用于类别分布。 Cahpter 6 本章重点介绍计算机视觉模型的两个主要类别。 那些在给定数据的情况下对世界状态的概率进行建模的模型（判别式），以及在给定世界状态的情况下对数据进行概率的建模的模型（生成式）。 本章只有一种算法，它是基本的生成分类器，可以在Chapter_6文件夹中找到。 此外，如书中所述，生成分类器用