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-。

Book-list-of-computational-geometry-and-computer-graphics Book list of computational geometry and computer graphics 计算几何和计算机图形学书单 持续更新中，本次更新时间2021年4月10日，未完待续！ 计算机图形学 Physically Based Rendering From Theory To Implementation 封面 书名 下载链接 Physically Based Rendering From Theory To Implementation(First Edition) Physically Based Rendering From Theory To Implementation (Second Edition) Physically Based Ren

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

使用神经混合形状学习骨骼关节 这个存储库提供了一个端到端的库，用于自动角色绑定、蒙皮和混合形状生成，以及一个可视化工具。 它基于我们在 SIGGRAPH 2021 上发表的研究。 先决条件 我们的代码已经在 Ubuntu 18.04 上测试过。 在开始之前，请通过以下方式配置您的 Anaconda 环境 conda env create -f environment.yaml conda activate neural-blend-shapes 或者您可以手动安装以下软件包（及其依赖项）： 火炬 1.8 张量板 tqdm 矮胖的 opencv-python 快速开始 我们提供了一个专用于 Biped 角色的预训练模型。 从或（9ras）下载并解压预训练模型，并将pre_trained文件夹放在项目目录下。 跑步 python demo.py --pose_file=./eval_

ModelingToolkit.jl：Julia中用于自动并行化科学机器学习（SciML）的建模框架。 用于集成符号的计算机代数系统，用于物理知识的机器学习和微分方程的自动转换

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