计算机视觉.中的数学方法,.吴福朝,.科学出版社,.2008

介绍数字图像相关知识，以及计算机视觉。是学习图形图像以及计算机视觉的很好教材。适合有一定图像基础的人阅读。

计算机视觉 机器视觉 视觉计算入门的必备数学理论基础，高清电子版！

计算机视觉：一种现代方法].(英国)David.A.Forsyth.清晰版

分享课程——人工智能：计算机视觉，一站式体系化全面进阶课，升级版32周，包含图像分割+目标检测+人脸识别+模型分析+图像生成GAN等内容。 对标大厂人工智能岗位要求，多重维度构建能力模型 理论与实践紧密结合，每个技术栈均搭配工业级项目操练 配套案例极为丰富，举一反三，覆盖深度学习核心应用场景

中科院自动化所计算机视觉课程大作业C++实现SIFT特征提取与匹配完整代码与说明文档

【水果分级】基于计算机视觉实现苹果分级系统含Matlab源码

CNN的成功依赖于其两个固有的归纳偏置，即平移不变性和局部相关性，而视觉Transformer结构通常缺少这种特性，导致通常需要大量数据才能超越CNN的表现，CNN在小数据集上的表现通常比纯Transformer结构要好。 CNN感受野有限导致很难捕获全局信息，而Transformer可以捕获长距离依赖关系，因此ViT出现之后有许多工作尝试将CNN和Transformer结合，使得网络结构能够继承CNN和Transformer的优点，并且最大程度保留全局和局部特征。 Transformer是一种基于注意力的编码器-解码器结构，最初应用于自然语言处理领域，一些研究最近尝试将Transformer应用到计算机视觉领域。 在Transformer应用到视觉之前，卷积神经网络是主要研究内容。受到自注意力在NLP领域的影响，一些基于CNN的结构尝试通过加入自注意力层捕获长距离依赖关系，也有另外一些工作直接尝试用自注意力模块替代卷积，但是纯注意力模块结构仍然没有最先进的CNN结构表现好。

本数据集为摔倒检测数据集，标注格式为VOC 目标检测框，格式XML，数量为1440

由于C++语言的运行优势，多数算法模型在实际应用时需要部署到C++环境下运行，以提高算法速度和稳定性 主要讲述WIn10下在VS工程中通过Opencv部署yolov5模型，步骤包括： 1.python环境下通过export.py导出.onnx模型 2.C++环境下通过opencv的DNN模块进行模型导入和调用 部署完成后的检测效果如下图所示（CPU下运行，无加速！） 适合刚开始转战C++的算法小白