多多交流，人脸识别，学习路上小插曲

基于Vision Transformer的图像分类系统，pytorch版本的，训练数据集是植物叶片病害无标注数据集，训练100轮后最高准确率为99.74%，你也可以基于本架构训练你自己的数据集。博客地址：https://blog.csdn.net/weixin_51331359/article/details/124514770?spm=1001.2014.3001.5502

用于Vision Transformer的预训练模型，导入后提高训练准确率起点，有利于模型拟合。

遗留物检测，通过GMM混合模型，检测遗留物，当停顿8秒都在原地，则认为是遗留物，用红色标记。采用MFC做界面，VS2015 OPENCV，效果好

基于TensorFlow+OpenCV的焊缝识别 文章地址： https://blog.csdn.net/weixin_53403301/article/details/124505827

结课设计…顺利过。项目主要是利用OpenCV的SVM支持向量机，来进行车牌字符的训练，并进行字符的分割、字符识别等。使用Python内置模块Tkinter来实现系统的图形界面。将识别到的车牌与数据库中的黑名单车牌比对，实现正常车牌的快速放行以及黑名单车牌的及时报警。

告别繁琐步骤，用Python脚本一键训练自己的目标检测数据集 i Only need to Click Once

该数据集主要包含自行车、电动车和摩托车，标签都是yolo格式，是经过本人精心挑选及筛选的。博客上也有很多其它数据集资源，但经本人下载后有很多图片的标签有误，甚至压根就不是人工标注的（估计是拿模型直接检测出来的），这个严重影响模型的精度。 数据集图片总数为12811，标签文件名与图片片名一一对应，但是有的标签文件是多余的，不对应图片，训练的时候直接根据图片读标签即可。 标签格式：（类别 id 归一化后的x,y,w,h），其中id均为-1，因为我用这个数据集训练的跟踪模型，所以会有id信息。如果只想训练检测模型，对标签用代码处理以下即可。

目标跟踪技术一直以来都是计算机视觉、图像处理领域的研究热点，其在 国防侦察、安防监控、智能控制等领域具有重要应用价值，是武器装备、监控 设备等的核心技术之一。数十年来，国内外一直有大量学者从事目标跟踪算法 方面的研究，但是由于跟踪过程中所观测的目标信息的多变性、目标的机动性 以及背景的复杂性、自身或背景遮挡等原因，目标跟踪仍然是一个非常具有挑 战性的问题。近年来，将机器学习理论应用到目标的跟踪、识别问题是一个研 究热点，与传统跟踪的目标匹配不同，运用机器学习理论进行目标跟踪是将目 标跟踪问题转换成目标分类问题，即用算法将视场中的目标和背景分类，分类 结果置信度最大的目标所在的位置就是目标位置。机器学习的一大特点就是学 习，即让计算机有人一样的“学习”能力，可以通过学习被跟踪目标的不同变化， 如位置变化、姿态变化和相似干扰等，及时调整跟踪器的状态，适用于多种复 杂的目标跟踪问题。 本文从三个方面对基于机器学习的目标跟踪算法进行了较为深入的研究， 主要创新工作及研究成果如下: 1.针对传统相关跟踪算法实时性不好、不能适应目标变化的问题，提出一 种自适应相关滤波目标跟踪算法，采用相关滤波的方

本文翻译自INFORMATION PROCESSING IN AGRICULTURE 4 (2017) 33–40，原标题为Computer vision-based apple grading for golden delicious apples based on surface features。 作者信息：Corresponding author. E-mail address: p_moallem@eng.ui.ac.ir (P. Moallem). 关键词Keywords: Golden delicious apple Grading Computer vision Segmentation Classification