1、通过滑动窗口分类检测 2、多尺度（和纵横比）来检测不同大小的对象 3、困难负例挖掘的重要性（由于类不平衡） 4、通过仅选择窗口子集来加速训练和推理 5、使用 CNN 进行对象类别检测 两阶段方法：Faster R CNN 一段式方法：SSD 评价数据集：COCO 6、涉及最先进的方法最近的改进 模块：特征金字塔网络、焦点损失 培训：复制粘贴数据增强 架构：RetinaNet、CenterNet、FCOS、Mask R CNN、DETR、Swin 7、实例分割 8、使用移位窗口的分层视觉转换器 9、DETR：使用变压器进行端到端对象检测 10、复制粘贴和大规模抖动数据增强 11、对象检测、分割、实例分割等的新基准数据集： LVIS（Large Vocabulary Instance Segmentation）：1200个类别，164K 图像，220万个实例分割

MFC对话框分割条拖动控件，水平垂直任意分隔拖动

_基于遗传优化算法的图像分割matlab仿真，matlab2021a测试。

利用像素点灰度和邻域平均灰度构成二维直方图搜索分割阈值，对不同目标大小和信噪比的图像分割效果较好，对噪声的抑制能力较强

1.仅使用opencv库进行功能实现 2.使用opencv中createBackgroundSubtractorMOG2()运动物体背景分割，及后续目标检测 3.代码中实现了对车辆的检测和跟踪 4.代码计算量小，可实现实时跟踪 5.可对感兴趣区域（ROI）进行单独检测和跟踪 6.代码关键步骤进行了备注

本程序通过matlab对一幅图像进行灰度转换，之后对图像进行多块分割。

在这篇文章中，我们将讨论mask R-CNN背后的一些理论，以及如何在PyTorch中使用预训练的mask R-CNN模型。 1.语义分割、目标检测和实例分割 之前已经介绍过： 1、语义分割：在语义分割中，我们分配一个类标签（例如。狗、猫、人、背景等）对图像中的每个像素。 2、目标检测：在目标检测中，我们将类标签分配给包含对象的包围框。 一个非常自然的想法是把两者结合起来。我们只想在一个对象周围识别一个包围框，并且找到包围框中的哪些像素属于对象。 换句话说，我们想要一个掩码，它指示（使用颜色或灰度值）哪些像素属于同一对象。 产生上述掩码的一类算法称为实例分割算法。mask R-CNN就是这样一

可将一张png合图中的所有子图，一一提取出来，分别生成单独的png图像。是TexturePacker的逆向转换工具。 下载PngSplit合图分割工具后，拖入包含多个子图的png图像, 如 "example.png"，鼠标 右键->导出所有子图，即可自行将合图分割为若干子图。

此代码使用颜色、纹理和空间数据分割图像RGB 颜色用作颜色数据使用了四个纹理特征：1. 均值 2. 方差 3. 偏度 4. 峰度归一化剪切（固有地使用空间数据） ncut参数有“SI”颜色相似度，“ST”纹理相似度，“SX”空间相似度，“r”空间阈值（相隔小于r个像素），“sNcut”保持分区的最小Ncut值（阈值），以及“ sArea" 被接受为段的最小面积（阈值） “Naotoshi Seo”的一个小修改实现用于“标准化切割”分割，可在网上获得：“ http://note.sonots.com/SciSoftware/NcutImageSegmentation.html ”，它在选择参数时很敏感。

变尺度法的dfp算法，包括确定搜索区间和步长，适合二元二次的目标函数