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

多摄像机人员跟踪和重新识别（使用视频） 用于“检测/跟踪”和“重新识别”不同摄像机/视频中的个人的简单模型。 介绍 该项目旨在跟踪不同角度的视频中的人。 用于完成此任务的框架分别依靠MOT和ReID来跟踪和重新标识人类的ID。 可以使用YOLO_v3或YOLO_v4来完成跟踪，并且ReID依赖于KaiyangZhou的Torchreid库。 安装 如果您的计算机上未安装 ，请下载 克隆存储库 git clone https : // github . com / samihormi / Multi - Camera - Person - Tracking - and - Re - Identification 创建项目环境 cd Multi - Camera - Person - Tracking - and - Re - Identification conda create

补丁VQ Patch-VQ：“修补”视频质量问题 演示版 请按照 测试在LSVQ数据库上预训练的Patch VQ模型。 请按照在您的数据库上测试我们的Patch VQ模型。 下载LSVQ数据库 描述 对于社交和流媒体应用程序，无参考（NR）感知视频质量评估（VQA）是一个复杂，尚未解决的重要问题。 需要有效，准确的视频质量预测器来监视和指导数十亿个用户共享内容（通常是不完美的内容）的处理。 不幸的是，当前的NR模型在真实的，“野生的” UGC视频数据上的预测能力受到限制。 为了推进这一问题的发展，我们创建了迄今为止最大的主观视频质量数据集，其中包含39，000个真实世界的失真视频和117，000个时空本地化的视频补丁（“ v-patches”），以及5.5M人类的感知质量注释。 使用此工具，我们创建了两个独特的NR-VQA模型：（a）基于本地到全球区域的NR VQA体系结构（称为PVQ）