- 综合排序
- 最热优先
- 最新优先
- 来自专栏AiCharm
GPT-4震撼发布：图像理解、先进的推理能力、惊人的准确性
根据OpenAI官方的介绍，GPT-4是一个超大的多模态模型，也就是说，它的输入可以是文字（上限2.5万字），还可以是图像。 （看图）手套掉下去会怎样？ 它会掉到木板上，并且球会被弹飞。 GPT-4：我SAT考710，能当律师 GPT-4 是一个大型多模态模型，能接受图像和文本输入，再输出正确的文本回复。实验表明，GPT-4 在各种专业测试和学术基准上的表现与人类水平相当。 GPT-4：我能玩梗图 GPT-4 可以接受文本和图像形式的 prompt，新能力与纯文本设置并行，允许用户指定任何视觉或语言任务。 不过 OpenAI 在这里说了，图像输入是研究预览，仍不公开。 获得访问权限后，用户目前可以向 GPT-4 模型发出纯文本请求（图像输入仍处于有限的 alpha 阶段）。
1.7K20编辑于 2023-05-15 - 来自专栏python开发者
【CCD图像检测】4：图像的简单校正
CCD图像检测<四> 作者：一点一滴的Beer 指导教师：Chen Zheng 单位：WHU 五、 图像的校正。 5.1.纵向校正 5.1.1纵向理论校正。 如果采用等间距采样，则在2m的前瞻视野时，会出现近处20cm就占了40行图像数据中的绝大部分，近处AD行极度稠密，而远处两个AD行之间又极为稀疏。 采用校正后的结果进行采样，在对用黑线贴成的由一定大小的正方形组成的网格板进行拍摄，还原的数字图片因镜头有一定程度上的球面失真，仍会造成近处的图像密度更大，这个基本无法利用现有的技术进行理论分析。 图29：图像的横向校正原理图 5.2.2横向实际校正。 图30：实际校正辅助工具——网格板 5.3校正结果示例分析 图像没有进行校正如右图左，很容易判断成直道，从而小车没能来得及调整速度和转角，无法实现稳定快速进入弯道，甚至会因为误判采取直冲的策略
1.2K30编辑于 2022-05-10 《数字图像处理》实验4-图像复原
可视化所有结果 figure('Name', '多种模糊退化对比', 'NumberTitle', 'off'); subplot(1,4,1); imshow(I_gray); title('原图') ; subplot(1,4,2); imshow(I_motion); title('运动模糊（motion）'); subplot(1,4,3); imshow(I_disk); title('圆盘状模糊 (disk)'); subplot(1,4,4); imshow(I_unsharp); title('钝化模糊(unsharp)'); % 5. 噪声均值 noise_var = 0.001; % 噪声方差 I_noisy = imnoise(I_blurred, 'gaussian', noise_mean, noise_var); % 4. '); subplot(2,2,3); imshow(I_noisy); title('加噪图像'); subplot(2,2,4); imshow(I_restored); title('逆滤波复原'
13410编辑于 2026-01-21- 来自专栏机器学习实践二三事
数字图像学习4(图像的浮雕效果)
https://blog.csdn.net/Gavin__Zhou/article/details/47379563 图像的浮雕效果根据生成的算法不一样，效果也不太一样，作为练习程序，自己写了两个 )= 0.25*img(x-2,y-2)+0.25*img(x-1,y-1)+0.25*img(x,y)+0.25*img(x+1,y+1)+0.25*img(x+2,y+1)+128 源码： %实现图像的浮雕效果
81750发布于 2019-05-26 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】分割图像——Grabcut图像分割
Grabcut算法是重要的图像分割算法，其使用高斯混合模型估计目标区域的背景和前景。该算法通过迭代的方法解决了能量函数最小化的问题，使得结果具有更高的可靠性。 OpenCV 4提供了利用Grabcut算法分割图像的grabCut()函数，该函数的函数原型在代码清单8-21中给出。 int iterCount, int mode = GC_EVAL ) img：输入的待分割图像 ，数据类型为CV_8U的三通道图像。 mask：用于输入、输出的CV_8U单通道掩码图像，图像中像素值的取值范围以及含义在表8-4给出。
1.3K40发布于 2020-03-03 - 来自专栏深度学习和计算机视觉
【OpenCV 4开发详解】图像腐蚀
点击上方“小白学视觉”，选择“星标”公众号 重磅干货，第一时间送达 经过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《OpenCV 4开发详解》。 为了更让小伙伴更早的了解最新版的OpenCV 4，小白与出版社沟通，提前在公众号上连载部分内容，请持续关注小白。 图像腐蚀过程中使用的结构元素可以根据需求自己生成，但是为了研究人员的使用方便，OpenCV 4提供了getStructuringElement()函数用于生成常用的矩形结构元素、十字结构元素和椭圆结构元素 MORPH_RECT 0 矩形结构元素，所有元素都为1 MORPH_CROSS 1 十字结构元素，中间的列和行元素为1 MORPH_ELLIPSE 2 椭圆结构元素，矩形的椭圆内接元素为1 OpenCV 4提供了用于图像腐蚀的 #include <vector> 4. 5.using namespace cv; 6.using namespace std; 7.
1.1K10发布于 2020-01-16 - 来自专栏风吹杨柳
opencv 4 -- 图像平滑与滤波
一、blur—图像均值平滑滤波 简称 平均滤波 这是由一个归一化卷积框完成的。 numpy as np from matplotlib import pyplot as plt img = cv2.imread('person_454.bmp',0) # 第二个参数的-1表示输出图像使用的深度与输入图像相同 result1),plt.title('bilateralFilter') plt.xticks([]), plt.yticks([]) plt.show() 结果跟上面的一样 二、GaussianBlur—图像高斯平滑滤波 高斯滤波可以有效的从 图像中去除高斯噪音 你也可以使用函数 cv2.getGaussianKernel() 自己 构建一个高斯核 import cv2 import numpy as np from matplotlib 高斯模糊简单点说： 在某些情况下，需要对一个像素的周围的像素给予更多的重视 三、medianBlur—图像中值滤波 简称：中值模糊 顾名思义就是用与卷积框对应像素的中值来替代中心像素的值。
91810发布于 2019-07-08 - 来自专栏新智元
【Science】DeepMind关系推理ANN，在图像理解中击败人类
【新智元导读】人类通常相当擅长关系推理，但对 AI 来说是难点。谷歌 DeepMind 研究人员提出了用于关系推理的人工神经网络。 这些问题需要关系推理，这对于 AI 来说是难点。现在，谷歌 DeepMind 的研究人员已经开发了一种简单的算法来处理这种推理，而且它已经在复杂的图像理解测试中打败了人类。 它拥有处理图像、分析语言甚至学习游戏的专门架构。在这种情况下，新的“关系网络”设计用来比较各个场景中的每一对对象。 对于这个任务，关系网络与另外两种类型的神经网络组合：一个用于识别图像中的对象，一个解释问题。在许多图像和问题上，其他机器学习算法在 42％ 到 77％ 的时间是正确的。人类取得了 92％ 的好成绩。 “我希望可以实现自己生成策略的模型”，他表示：“ DeepMind 正在致力于一种特定类别推理的建模，并非普遍意义上的关系推理。但是向着正确方向迈进的及其重要的一步”。
1.1K170发布于 2018-03-28 - 来自专栏CreateAMind
4个视觉符号推理数据集超简介
//github.com/xyang23/CLEVRER-Humans1.0 https://sites.google.com/stanford.edu/clevrer-humans/home 4
59730编辑于 2023-02-14 - 来自专栏GPUS开发者
NVFP4：打破GPU推理的内存墙，4位浮点时代来了
从痛点说起：为什么4位精度成为刚需？ AI推理的内存挑战是多维度的。首先是模型权重本身的庞大体积。 整个过程在代码层面可能只需要十几行 ，但需要注意选择有代表性的校准数据 ，以保证量化后的缩放因子能覆盖实际推理时的数值分布。 推理框架的集成也在快速推进。 对于追求即开即用体验的开发者 ，Hugging Face上已经出现了大量预量化的NVFP4模型 ，包括DeepSeek-R1、Llama 3系列、FLUX图像生成模型等 ，下载后可以直接加载运行 ，跳过量化步骤 首先是适用场景的判断：NVFP4特别适合推理密集、内存受限的场景 ，如大batch推理服务、长上下文对话、边缘设备部署。 通过精巧的编码设计、层级化的缩放机制、硬件软件的深度协同， NVFP4证明了4位浮点足以支撑千亿参数模型的推理和训练。
79110编辑于 2026-01-27 原生多模态推理：Gemini 3 如何“理解世界”而非“拼接图像”？
@TOC开篇引言在人工智能领域，多模态推理一直是一个重要的研究方向。传统的多模态模型通常将不同模态的数据（如文本、图像、音频）进行简单的特征拼接，然后进行联合推理。 Gemini 3 是一种新型的多模态推理框架，它通过原生多模态推理技术，能够更好地“理解世界”，而不仅仅是“拼接图像”。 通过结合用户的历史听歌记录（文本）、专辑封面（图像）和音乐片段（音频），Gemini 3 能够更准确地理解用户的音乐偏好，并推荐符合其口味的音乐。 这种原生多模态推理技术不仅能够更好地“理解世界”，还能够应用于各种实际场景，如猴子音悦100万正版音乐的推荐系统。 总结本文深入探讨了原生多模态推理：Gemini 3 如何“理解世界”而非“拼接图像”？的相关技术，从原理到实践，从基础到进阶，希望能够帮助读者全面掌握这一技术。
28210编辑于 2025-12-25- 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】图像膨胀
经过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《OpenCV 4开发详解》。 为了更让小伙伴更早的了解最新版的OpenCV 4，小白与出版社沟通，提前在公众号上连载部分内容，请持续关注小白。 OpenCV 4提供了用于图像膨胀的dilate()函数，该函数的函数原型在代码清单6-13中给出。 InputArray kernel, 4. Point anchor = Point(-1,-1), 5. #include <vector> 4. 5.using namespace cv; 6.using namespace std; 7. 8.int main() 9.{ 10.
84020发布于 2020-02-13 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】图像卷积
过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《从零学习OpenCV 4》。 Step4：将计算结果存放在原图像中与卷积模板中心点像对应的像素处，即图5-1里待卷积矩阵中的黄色像素处，结果如图5-2所示。 ? 图5-2 图像卷积步骤Step4 Step5：将卷积模板在图像中从左至右从上到下移动，重复以上3个步骤，直到处理完所有的像素值，每一次循环的处理结果如图5-3所示。 ? 图5-3 图像卷积步骤Step5 通过前面的4个步骤已经完成了图像卷积的主要部分，不过从图5-3中的结果可以发现这种方法只能对图像中心区域进行卷积，而由于卷积模板中心无法放置在图像的边缘像素处，因此图像边缘区域没有进行卷积运算 图5-4 myFillter.cpp程序中矩阵卷积结果 ? 图5-5 myFillter.cpp程序中图像结果
93710发布于 2019-12-24 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】图像修复
经过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《OpenCV 4开发详解》。 为了更让小伙伴更早的了解最新版的OpenCV 4，小白与出版社沟通，提前在公众号上连载部分内容，请持续关注小白。 图像修复不仅可以去除图像中得“划痕”，还可以去除图像中得水印、日期等。 OpenCV 4提供了能够对含有较少污染或者水印的图像进行修复的inpaint()函数，该函数的函数原型在代码清单8-26中给出。 函数的第一个参数是需要修复的图像，该函数可以对灰度图像和彩色图像进行修复。修复灰度图像时，图像的数据类型可以为CV_8U、CV_16U或者CV_32F；修复彩色图像时，图像的数据类型只能为CV_8U。
78400发布于 2020-03-05 - 来自专栏石开之旅
图像处理笔记（4）----OpenCV对象追踪
hsv, lower_red, upper_red) mask_green = cv.inRange(hsv, lower_green, upper_green) #将掩膜和图像逐像素相加
59021发布于 2020-09-11 - 来自专栏计算摄影学
4. 数码相机内的图像处理-更多图像滤波
先看看最基本的方案，直接用眼睛局部图像作为模板来卷积源图像： ? 方案一 这会得到什么结果呢？ 非线性移不变滤波器 非线性但移不变的滤波器代表：形态学操作 形态学操作的基本版本是用于处理二值图像的，当然其衍生版本可以用于处理灰度图像甚至彩色图像。 要理解形态学操作，首先需要对图像的逻辑操作及图像的集合有基本的概念，见下图： ? 基本图像逻辑操作 可以看到，利用逻辑操作可以组合出很多图像。 腐蚀 从视觉上，膨胀使得图像的“1”的部分扩张，腐蚀使得图像的"1"的部分收缩。 ? yourwanghao/获取 参考资料： 这一篇文章的绝大部分素材来自于 [1] CMU 2017 Fall Computational Photography Course 15-463, Lecture 4
96140发布于 2020-04-17 - 来自专栏贾志刚-OpenCV学堂
图像编辑器 Monica 之生成漫画风格的图像、以及使用 GPU 实现推理
图像编辑器 Monica Monica 是一款跨平台的桌面图像编辑软件(早期是为了验证一些算法而产生的)。 ONNXRuntime 部署的模型都支持使用 GPU 来加速推理。 风景图动漫化.png 2.2 模型的加载、推理 下面展示 AnimeGANv3 相关模型的加载、推理方法，先定义一个 AnimeGAN 类 #include<iostream> #include<fstream ，将图像转换成漫画的风格。 使用 GPU 推理 在使用 GPU 做推理时，需要有个前提就是确保安装了 CUDA、cuDNN 以及 CUDA 对应的 ONNXRuntime 版本。
10600编辑于 2026-04-02 - 来自专栏机器之心
CPU推理提升4到5倍，苹果用闪存加速大模型推理，Siri 2.0要来了？
结合使用窗口和稀疏性预测可以为每个推理查询仅加载 2% 的闪存 FFN 层。他们还提出了静态内存预分配，最大限度减少了 DRAM 内的传输并减少了推理延迟。 与 CPU 和 GPU 中的 naive 实现相比，优化该成本模型并有选择地按需加载参数的闪存策略可以运行两倍于 DRAM 容量的模型，并将推理速度分别提升 4-5 倍和 20-25 倍。 对于 32 位模型，每次读取的数据块大小为 2dmodel × 4 字节 = 32 KiB，因为它涉及行和列的连接。 在本文的模型中使用大小为 4 的窗口，每个 token 需要访问 3.1% 的前馈网络（FFN）神经元。 在 32 位模型中，这相当于每次读取的数据块大小为 35.5 KiB（按 2dmodel ×4 字节计算）。
51710编辑于 2023-12-28 - 来自专栏GiantPandaCV
NCNN+INT8+YOLOV4量化模型和实时推理
【GiantPandaCV导语】本文记录了作者使用NCNN量化YOLOV4模型并进行推理的全过程，过程比较详细，希望对想使用NCNN这一功能的读者有帮助。 下载校准表图像 先下载官方给出的1000张ImageNet图像，很多同学没有梯子，下载慢，可以用下这个链接： https://download.csdn.net/download/weixin_45829462 ImageNet图像下载 制作校准表文件 linux下，切换到和images同个文件夹的根目录下，直接 find images/ -type f > imagelist.txt windows下，打开 代码需要修改的几点 走到这里，就可以愉快的推理了 ? 后续会尝试更多模型的int8推理，做对比实验给各位网友看 所有的文件和修改后的代码放在这个仓库里，欢迎大家白嫖： https://github.com/pengtougu/ncnn-yolov4-int8
3K30发布于 2021-05-18 - 来自专栏全栈程序员必看
图像文字识别（四）：java调用tess4j识别图像文字
而Tess4J则是Tesseract在Java PC上的应用。如果使用Tess4J只需要下载相关Jar包，导入项目，再把项目封装好就可以处处运行了，可移植性比较好。 步骤： （1）下载tess4j源码包：https://sourceforge.net/projects/tess4j/ tessdata下默认为英语库，中文库下载地址：https://github.com <dependency> <groupId>net.sourceforge.tess4j</groupId> <artifactId>tess4j</artifactId> （4）编写测试类： import java.io.File; import net.sourceforge.tess4j.ITesseract; import net.sourceforge.tess4j.Tesseract ; import net.sourceforge.tess4j.TesseractException; /** * 类说明 ： tess4j测试类 */ public class OCRDemo {
6.3K40编辑于 2022-06-29
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号