计算机视觉-增强学习MATLAB源码 增强学习（Reinforcement Learning）要解决的是这样的问题：一个能感知环境的自治agent，怎样通过学习选择能达到其目标的最优动作。 　 增强学习目的是构造一个控制策略，使得Agent行为性能达到最大。Agent从复杂的环境中感知信息，对信息进行处理。Agent通过学习改进自身的性能并选择行为，从而产生群体行为的选择，个体行为选择和群体行为选择使得Agent作出决策选择某一动作，进而影响环境。 增强学习是指从动物学习、随机逼近和优化控制等理论发展而来，是一种无导师在线学习技术，从环境状态到动作映射学习，使得Agent根据最大奖励值采取最优的策略；Agent感知环境中的状态信息，搜索策略（哪种策略可以产生最有效的学习）选择最优的动作，从而引起状态的改变并得到一个延迟回报值，更新评估函数，完成一次学习过程后，进入下一轮的学习训练，重复循环迭代，直到满足整个学习的条件，终止学习。

计算机视觉-稀疏表示MATLAB源码 稀疏表示（Sparse Representation）也叫作稀疏编码（Sparse Coding）,就是用字典中元素的线性组合去表示测试样本。 信号的稀疏表示并不是新的东西。很早就一直有在利用这一特性。例如，最简单的JPEG图像压缩算法。原始的图像信号经过DCT变换之后，只有极少数元素是非零的，而大部分元素都等于零或者说接近于零。这就是信号的稀疏性。 任何模型都有建模的假设条件。压缩感知，正是利用的信号的稀疏性这个假设。对于我们处理的信号，时域上本身就具有稀疏性的信号是很少的。但是，我们总能找到某种变换，使得在某个变换域之后信号具有稀疏性。这种变换是很多的，最常见的就是DCT变换，小波变换，gabor变换等。 然而，这种正交变换是传统视频图像处理采用的方法。目前所采用的一般不是正交变换。它是基于样本采样的。或者说是通过大量图像数据学习得到的，其结果称作字典，字典中的每一个元素称作原子。相关的学习算法称作字典学习。常见的算法例如K-SVD算法。学习的目标函数是找到所有样本在这些原子的线性组合表示下是稀疏的，即同时估计字典和稀疏表示的系数这两个

计算机视觉-字典学习MATLAB源码 字典学习（Dictionary Learning）和稀疏表示（Sparse Representation）在学术界的正式称谓应该是稀疏字典学习（Sparse Dictionary Learning）。该算法理论包含两个阶段：字典构建阶段（Dictionary Generate）和利用字典（稀疏的）表示样本阶段（Sparse coding with a precomputed dictionary）。

计算机视觉-BP学习MATLAB源码 BP算法就是目前使用较为广泛的一种参数学习算法. BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络。 BP算法是建立在BP神经网络（多层前馈网络）上的一种算法，它根据神经网络的路径进行一层一层的运算，这个运算包括信号的正向传播和误差的反向传播两部分。

关于计算机视觉的一篇论文，关于计算机视觉的一篇论文，

内容概要：深度学习入门博文整理、包含Cuda安装、Pytorch 安装、Tensorflow安装、VScode使用、虚拟机安装、基础环境搭建、计算机视觉领域实战教程：超分重建、图像修复、风格迁移、目标检测、PDF 电子版1.0； 适合人群：适合刚刚跨入AI领域不久的新同学查阅自学，代码实战趣学教程； 使用场景：适合具备一定自学能力、基础文档查阅、喜欢代码实战的学习方式； 阅读建议：跟着系列博文进行学习、能够大家节约相当多学习的时间成本 备注说明：该排除的坑墨理已经帮各位小伙伴排过了，欢迎各位小伙伴下载、查阅、分享； 博主主页：https://blog.csdn.net/sinat_28442665/category_9054713.html

可以识别水果，物体。

里面是自己找的一些蛇的数据图片及其标签，可以用于目标检测，语义分割。一共有大约200多张图片及其对应的标签，图片的质量比较高，基本上够用了。

人工智能cv opencv 压缩包

opencv_python-3.4.0-cp36-cp36m-win_amd64.whl，适用于python3.6，window 64位。上传它是因为原下载链接打不开了。【opencv_python-3.4.0-cp36-cp36m-win_amd64.whl】，用于python安装opencv模块。