课程分为两条主线： 1 从Tensorflow的基础知识开始，全面介绍Tensorflow和Keras相关内容。通过大量实战，掌握Tensorflow和Keras经常用到的各种建模方式，参数优化方法，自定义参数和模型的手段，以及对训练结果评估与分析的技巧。 2 从机器学习基础算法开始，然后进入到图像分类领域，使用MNIST手写数据集和CIFAR10图像数据集，从简单神经网络到深度神经网络，再到卷积神经网络，最终完成复杂模型：残差网络的搭建。完成这条主线，学员将可以自如地使用机器学习的手段来达到图像分类的目的。

2016年64k intro世界编程大赛作品-费米悖论（fermi-paradox），实测360会报警，但没有问题。转载自http://mercury.sexy/。有兴趣的同志可以看看，很震撼。

VisionPro.Documentation 9.6 CN.chm

给大家分享一套课程——计算机视觉-物体检测实战视频教程，完整版22章，提供源码+数据集下载！ 物体检测实战课程旨在帮助同学们快速掌握当下计算机视觉领域主流检测算法及其实例应用。所有算法均选自实际企业项目中常用架构，通俗讲解算法原理并结合论文进行实例分析。

https://blog.csdn.net/weixin_46291251/article/details/117996591 文章对应的代码以及所需要的依赖文件

水位线检测 sjtu中计算机视觉课程的家庭作业和最终项目（水位线检测）。 最终项目 检测并计算图像的水位线。 结果显示在./final/result文件夹中。 所有检测到的字母“ E”都包含在框架中。 红色的帧被滤除。 图像中有两条线，一条是水位线，另一条是根据检测到的“ E”拟合的线。 算法 字母“ E”的检测 猪特征提取和svm分类器 不同规模的不同分类器 检测水位线 使用grabCut可以大致获得标尺的位置 提取下轮廓以适合线条 水位线计算 预处理检测到的“ E”，包括筛选出错误的，重叠的“ E”，以补充丢失的“ E”。 选择检测到的框架的中心以适合一条线，然后计算该线与水位线的交点。 其他 仿射变换将应用于获得正常的“ E”。 作业1：形态 基本形态运算的执行 编写自己的形态扩展和腐蚀操作实现。 您的程序应输入一个二进制图像（请参见附件的“ lena-binary.bmp”文件

matlab开发-Voigtfuntcionapproximation Humlicekregion1。此代码近似于困难的Humlick区域3和4中的Voigt函数。

带有OpenCV和CUDA的动手GPU加速计算机视觉 Packt发布的具有OpenCV和CUDA的动手GPU加速计算机视觉 这是Packt发布的的代码存储库。 **使用GPU实时处理复杂图像数据的有效技术** 这本书是关于什么的？ 计算机视觉已在各行各业发生了革命性变化，OpenCV是计算机视觉中使用最广泛的工具，它能够以多种编程语言工作。 如今，在计算机视觉中，需要实时处理大图像，这对于OpenCV本身很难处理。 这就是CUDA发挥作用的地方，它使OpenCV可以利用功能强大的NVDIA GPU。 本书详细介绍了将OpenCV与CUDA集成以用于实际应用。 本书涵盖了以下令人兴奋的功能：了解如何从CUDA程序访问GPU设备的属性和功能 了解如何加快搜索和排序算法 检测图像中的线条和圆形等形状 使用算法探索对象跟踪和检测 在Jetson TX1中使用不同的视频分析技术处理视频 从P

OpenSet_ReciprocalPoints 开源，重新实现已发布的ECCV '20关于互认点的论文，以实现开放集识别。 截至2020年10月，本文是开放式识别的最新技术。 正在进行代码清理； 测试集上的结果将很快更新。 与论文作者确认此实现是正确的。 使用作者的数据加载器，该实现实际上超过了tiny-imagenet上已发布的性能。 使用我自己的数据加载器，结果略低于发布的性能（数据拆分有所不同，所以这可能是原因）。 我还在这两个数据集上运行了标准的深度学习基准。 实际上，我发现当前的公开文献低估了基线； 当前的文献报道的基线数字比我用自己的代码获得的数字低得多。 这可能表明，开放集识别的进度比看起来要温和得多。 方法 CIFAR + 10 微型Imagenet 公布的基准 81.6％ 57.7％ 我对基准的实施 89.24％（价值） 66.35％（价值） 我对

计算机视觉三维场景重建源代码，包含sift算子影像匹配，RANSAC算法，光束法平差等经典算法