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

交互是一种用于AI代理的逼真的可交互框架。 消息 （6/2020）我们提供了一个微型框架，以简化在Docker中运行AI2-THOR的工作。 可以通过以下网址访问它： : 。 （4/2020）框架的版本2.4.0更新在这里。 现在，所有不属于环境结构的sim对象都可以通过物理相互作用移动。 添加了新的对象类型，并添加了许多新的动作。 请在查看 （2/2020）AI2-THOR现在包括两个框架： 和 。 iTHOR包含交互式对象和场景，而RoboTHOR包含模拟场景及其对应的真实世界副本。 （9/2019）已添加框架2.1.0版更新。 添加了新的对象类型。 添加了新的初始化操作。 分割图像的生成在所有场景中都得到了改善。 （6/2019）AI2-THOR框架的2.0版更新现已发布！ 我们的动作和对象状态增加了三倍，增加了新的动作，可以在视觉上进行明显的状态更改，例如电子设备上的屏幕

道路分割 合作者： 目录 ： 介绍 该项目是 “模式分类和机器学习”课程的一部分。 更具体地说，这是我们针对道路分割的第二个项目的解决方案。 该文件概述了我们的代码及其功能。 有关该项目本身的所有其他说明，可以在其官方文件（ paper.pdf文件）中找到。 该项目的目标是通过确定哪些16x16像素斑块是道路还是不是道路来分割地球的卫星图像。 简而言之，该代码运行第一个卷积神经网络以获得基本预测。 此后，它运行第二个，即后处理一个，它使用先前计算的预测来给出最终预测。 结果 我们取得了约0.91的F1分数，下面您将看到一个图像，说明所获得的定性结果。 在图像上，每个检测到的道路补丁都以

Adrian Rosebrock 的Deep Learning for Computer Vision with Python 1,2,3都在里面了。我自己没看过，但是我在看他opencv教程，倒是蛮不错的。

令人敬畏的图像着色 基于深度学习的图像着色论文和相应的源代码/演示程序的集合，包括自动和用户指导（即与用户交互）的着色，以及视频的着色。 随意创建PR或问题。 （首选“拉式请求”） 大纲 1.自动图像着色 纸 来源 代码/项目链接 ICCV 2015 深着色 ICCV 2015 学习表示形式以实现自动着色 ECCV 2016 [项目] [代码] 彩色图像着色 ECCV 2016 [项目] [代码] 让有颜色！：全局和局部图像先验的端到端联合学习，以实现同时分类的自动图像着色 SIGGRAPH 2016 [项目] [代码] 通过生成对抗网络进行无监督的多样化着色 ECML-PKDD 2017 [代码] 学习多样的图像着色 CVPR 2017 [代码] 多种着色的结构一致性和可控性 ECCV 2018 使用有限的数据进行着色：通过内存增强网络进行少量着色 CVP

无人驾驶汽车的动手视觉和行为 这是Packt发布的《无人驾驶的代码库。 使用Python 3和OpenCV 4探索视觉感知，车道检测和对象分类 这本书是关于什么的？ 这本书将使您对推动自动驾驶汽车革命的技术有深刻的了解。 首先，您所需要的只是计算机视觉和Python的基础知识。 本书涵盖以下激动人心的功能： 了解如何执行相机校准 熟悉使用OpenCV在自动驾驶汽车中进行车道检测的工作原理 通过在视频游戏模拟器中自动驾驶来探索行为克隆 掌握使用激光雷达的技巧 探索如何配置自动驾驶仪的控件 使用对象检测和语义分割来定位车道，汽车和行人 编写PID控制器以控制在模拟器中运行的自动驾驶汽车 如果您觉得这本书适合您，请立即获取！ 说明和导航 所有代码都组织在文件夹中。 例如，Chapter02。 该代码将如下所示： img_threshold = np.zeros_like(chan

3D 视觉工具包，试用版，有时间限制，可以了解基本的方法，思路