从事大数据与人工智能开发与实践约十年，钱老师亲自见证了大数据行业的发展与人工智能的从冷到热。事实证明，计算机技术的发展，算力突破，海量数据，机器人技术等，开启了第四次工业革命的序章。深度学习图像分类一直是人工智能的经典任务，是智慧零售、安防、无人驾驶等机器视觉应用领域的核心技术之一，掌握图像分类技术是机器视觉学习的重中之重。针对现有线上学习的特点与实际需求，我们开发了人工智能案例实战系列课程。打造：以项目案例实践为驱动的课程学习方式，覆盖了智能零售，智慧交通等常见领域，通过基础学习、项目案例实践、社群答疑，三维立体的方式，打造最好的学习效果。
2021-10-19 15:41:08
1.57GB
1
【机器视觉】华为 HoloSens SDC M2141-10-EL(2.8-12mm) 彩页 (1).pdf
2021-10-19 13:24:20
2.79MB
1
针对复杂背景下红外图像中低信噪比弱小目标实时检测问题，提出一种基于相关滤波器的红外弱小目标检测算法。该算法将红外目标检测转化为模式分类问题，在离线训练阶段，利用二维高斯模型构造红外小目标训练集，在此基础上训练得到对目标背景具有区分能力的相关滤波器，在线检测阶段，利用滤波器对图像分块进行滤波操作，目标和背景的滤波响应有着显著的差异，最后生成整幅图像的滤波响应置信图以此来判断图像中是否包含目标及其具体位置。在单帧单目标图像、序列图像多目标检测实验结果表明，与经典检测算法相比，所提方法不仅具有更高检测性能，有效降低了虚警概率，而且具有较好的实时性，适用于复杂背景条件下弱小目标的实时检测。
2021-10-18 14:11:04
10.4MB
1
为解决YOLOv3算法在检测道路交通灯时存在的漏检率高、召回率低等问题,提出一种基于优化YOLOv3算法的交通灯检测方法。首先,采用K-means算法对数据进行聚类分析,结合聚类结果和交通灯标签的统计结果,确定先验框的宽高比及其数量。然后,根据交通灯尺寸特点,精简网络结构,分别将8倍降采样信息、16倍降采样信息与高层语义信息进行融合,在两个尺度上建立目标特征检测层。同时,为了避免交通灯特征随着网络的加深而消失的问题,分别减少两个目标检测层前的两组卷积层,简化特征提取步骤。最后,在损失函数中,利用高斯分布特性评估边界框的准确性,以提升对交通灯检测的精度。实验结果显示,优化YOLOv3算法的检测速度可达30 frame/s,平均精准度较原网络提升9个百分点,可以有效完成对交通灯的检测。
2021-10-17 20:57:55
6.22MB
1
机器视觉系统基础知识与基本原理，机器视觉系统基础知识与基本原理，机器视觉系统基础知识与基本原理，机器视觉系统基础知识与基本原理
2021-10-17 20:28:23
5.89MB
1