- 综合排序
- 最热优先
- 最新优先
- 来自专栏ZackSock
【计算机视觉处理4】色彩空间转换
【计算机视觉处理4】色彩空间转换 1、图层操作 在第2篇中提到过，如果是二值图片（黑白图）或者灰度图片，一个像素需要一个8位二进制来表示。而对于彩色图像，一个像素则需要用3个8位二进制来表示。 RGB（我们认为RGB和BGR是同种色彩空间）是一种方便计算机处理的色彩空间，它用三原色组成。 而HSV色彩空间是一种符合人类视觉感知的模型，这种色彩空间会用色调（Hue，也称为色相）、饱和度（Saturation）、亮度（Value）来表示像素。 其中δ的值计算如下： ? 当然我们不需要自己计算，在OpenCV中提供了色彩空间转换的函数cv2.cvtColor()，函数格式如下： dst = cv2.cvtColor(src, code) 该函数接收两个参数，分别是要转换的图片和转换的模式
1.8K20发布于 2021-01-08 - 来自专栏DeepHub IMBA
2004年4月计算机视觉论文推荐
本文将整理4月发表的计算机视觉的重要论文，重点介绍了计算机视觉领域的最新研究和进展，包括图像识别、视觉模型优化、生成对抗网络(gan)、图像分割、视频分析等各个子领域 扩散模型 1、Tango 2: Aligning 比较了四种CLIP训练策略——SLIP、FLIP、CLIP和CLIP+数据增强——并显示训练策略的选择取决于可用的计算资源。 https://arxiv.org/abs/2404.08197 4、On the Robustness of Language Guidance for Low-Level Vision Tasks: 与之前依赖属性指导或人工反馈构建数据集的方法不同，设计了一个利用先进的基础模型（GPT-4V和DALL-E 3）的可扩展数据收集管道。 论文还提出了两个评估指标，对齐和一致性，定量评估使用GPT-4V图像编辑对的质量。HQ-Edit的高分辨率图像，丰富的细节，并伴随着全面的编辑提示，大大增强了现有的图像编辑模型的能力。
35010编辑于 2024-04-30 - 来自专栏快乐学AI系列
快乐学AI系列——计算机视觉（4）图像分割
Canny算法的基本思路是首先对图像进行高斯滤波，以平滑噪声，然后计算图像的梯度，以找到图像中的边缘。最后，通过非极大值抑制和双阈值处理来提取真正的边缘。 它的主要思想是将图像看成一个地形图，通过计算梯度来确定图像中的高地和低地，然后将高地和低地通过水流分割成不同的区域。 分水岭算法基于图像形态学的基本概念，如腐蚀、膨胀、开运算和闭运算等。 然后，根据像素之间的相似度计算每条边的权重，构建一个带权无向图。接着，利用图论中的最小割算法，将这个图分成两个部分，从而达到图像分割的目的。 其中，最小割算法是一种用来寻找网络流中最小割的算法。 最小割算法的基本思想是将网络分成两部分，称之为割，然后计算割的代价，即割的总权重。这个代价的最小值就是最小割。 然后，根据像素之间的相似度计算每条边的权重，构建一个带权无向图。 计算最小割：利用最小割算法，在图中找到一个割，使得割的代价最小。这个割将图分成两部分，一部分被割掉，另一部分保留。
1.2K00编辑于 2023-04-03 - 来自专栏深度学习
【计算机视觉】一、计算机视觉概述
一、计算机视觉 模仿人类视觉系统 如何使计算机从数字图像或视频中获得高层次的理解 计算机视觉是人工智能的重要组成部分，是赋予机器自然视觉能力的学科，相当于是人工智能的大门。 模式识别研究如何用数学模型来描述事物的内在规律,是计算机视觉任务的理论基础,如目标检测、分类等都需要借助模式识别方法。 4、人工智能（AI） 涉及到智能系统的设计和智能计算的研究。 计算机视觉中已有的许多方法与人类视觉极为相似。许多计算机视觉研究者对研究人类视觉计算模型比研究计算机视觉系统更感兴趣，希望计算机视觉更加自然化，更加接近生物视觉。 人类视觉系统设计给了计算机视觉极大的启发,很多生物视觉计算模型都被成功应用于视觉算法中,如卷积神经网络等。 不同模型生成的母猪上树： 重量级选手闪亮登场： 4. 城市建模 通过航空影像或地面图像数据,重建出三维城市模型,用于城市规划、导航等。 5.
2.1K10编辑于 2024-07-30 - 来自专栏目标检测和深度学习
全球最全计算机视觉资料（4：分割和识别）
目标检测和深度学习 Segmentation Alexander Kolesnikov, Christoph Lampert, Seed, Expand and Constrain: Three Principles for Weakly-Supervised Image Segmentation, ECCV, 2016. [http://pub.ist.ac.at/~akolesnikov/files/ECCV2016/main.pdf] [https://github.com/kolesman/SEC]
59610发布于 2018-07-20 - 来自专栏深度学习和计算机视觉
4个计算机视觉领域用作迁移学习的模型
导读 使用SOTA的预训练模型来通过迁移学习解决现实的计算机视觉问题。 ? 如果你试过构建高精度的机器学习模型，但还没有试过迁移学习，这篇文章将改变你的生活。至少，对我来说是的。 计算机视觉中的4个预训练模型 这里有四个预先训练好的网络，可以用于计算机视觉任务，如图像生成、神经风格转换、图像分类、图像描述、异常检测等： VGG19 Inceptionv3 (GoogLeNet) EfficientNetB0的特性简要介绍如下： 尺寸：29 MB Top-1 准确率：77.1% Top-5 准确率：93.3% 参数数量：~5,300,000 深度：159 其他的计算机视觉问题的预训练模型 相反，尝试使用这些训练模型，在上面添加一些新的层，考虑你的特殊计算机视觉任务，然后训练。其结果将比你从头构建的模型更成功。 ? —END—
1.6K40发布于 2021-05-07 - 来自专栏编程
计算机视觉
一.计算机视觉 计算机视觉是人工智能 (AI) 的一个领域，是指让计算机和系统能够从图像、视频和其他视觉输入中获取有意义的信息，并根据该信息采取行动或提供建议。 如果说人工智能赋予计算机思考的力，那么计算机视觉就是赋予发现、观察和理解的能力。计算机视觉的工作原理与人类视觉类似，只不过人类起步更早。 多样性与适应性：深度学习在多个领域都有应用，包括视觉识别、语音识别、自然语言处理、游戏、医学影像分析等 五.计算机视觉领域 六.计算机视觉应用 1.工业中的计算机视觉 在工业中，图像识别被应用于人工智能视觉检测 3.农业中的计算机视觉 计算机视觉在农业中的应用同样正经历着快速发展，旨在提高农业生产的效率和可持续性。 七.计算机视觉前景 计算机视觉的前景非常广阔，它被认为是人工智能和机器学习领域最具潜力的技术之一。
82210编辑于 2024-05-11 - 来自专栏一点人工一点智能
小白系列（4）| 计算机视觉和图像处理之间的差异
计算机视觉和图像处理这两个领域分别为这些应用贡献了新的技术方案。在本教程中，我们将讨论这两个领域的定义以及它们之间的区别。 2.2 计算机视觉 当我们需要识别图像中所表示的内容或检测任何类型的模式时，这就是计算机视觉算法的工作。 正如名字所暗示的，计算机视觉的目标就是“复制”人类视觉。 例如，我们希望计算机视觉系统能够像人类一样识别树上的鸟。 让我们回到之前示例中的花朵图片。假设我们在谈论一个物体检测应用程序（这是计算机视觉任务）。 通常，我们可以找到将图像处理作为后续计算机视觉算法预处理阶段的应用。 例如，我们可以应用图像处理技术来提高亮度和对比度，以便更清楚地查看一些文本。 相比之下，计算机视觉试图解释图片或视频中所代表的内容。
1.1K10编辑于 2023-09-08 - 来自专栏一点人工一点智能
小白系列（4）| 计算机视觉和图像处理之间的差异
计算机视觉和图像处理这两个领域分别为这些应用贡献了新的技术方案。在本教程中，我们将讨论这两个领域的定义以及它们之间的区别。 2.2 计算机视觉 当我们需要识别图像中所表示的内容或检测任何类型的模式时，这就是计算机视觉算法的工作。 正如名字所暗示的，计算机视觉的目标就是“复制”人类视觉。 例如，我们希望计算机视觉系统能够像人类一样识别树上的鸟。 让我们回到之前示例中的花朵图片。假设我们在谈论一个物体检测应用程序（这是计算机视觉任务）。 通常，我们可以找到将图像处理作为后续计算机视觉算法预处理阶段的应用。 例如，我们可以应用图像处理技术来提高亮度和对比度，以便更清楚地查看一些文本。 相比之下，计算机视觉试图解释图片或视频中所代表的内容。
1.3K00编辑于 2023-09-03 - 来自专栏智能算法
机器视觉与计算机视觉的区别？
计算机视觉与机器视觉，首先是应用场景不一样，就像@Vinjn张静 回答的那样：你把摄像头对着人就是CV，对着车间就是MV。 计算机视觉和机器视觉应用场景不同，就像拉货车和载客车是的，侧重点不同而已，一个侧重人工智能分支，一个侧重工业应用！ 既然要求这么高，是不是机器视觉就比计算机视觉难呢？也不是的，应该说各有各的难处。 计算机视觉的应用场景相对复杂，要识别的物体类型也多，形状不规则，规律性不强。 关于速度，一般机器视觉的分辨率远高于计算机视觉，而且往往要求实时，所以处理速度很关键，目前基本上不适合采用深度学习。 以上讨论的是技术，商业方面，计算机视觉的应用面更广一些，毕竟很多业务是跟人相关，比如人脸识别，行为分析等，很多垂直领域都有计算机视觉潜在需求，相对来说，更适合创业； 而机器视觉顾名思义，业务主要跟机器相关
3.6K111发布于 2018-04-03 - 来自专栏信息安全
计算机视觉入门
随着科技的飞速发展，计算机视觉技术逐渐渗透到我们生活的方方面面。无论是手机拍照的自动美颜功能，还是无人驾驶汽车的障碍物识别，都离不开计算机视觉的支持。那么，什么是计算机视觉？它又有哪些应用呢？ 接下来，让我们一起走进计算机视觉的世界。 计算机视觉是一门研究如何使计算机从图像或视频中获取信息并理解其内容的学科。简单来说，就是让计算机像人一样“看”世界，并从中提取有用的信息。 在计算机视觉的应用中，人脸识别无疑是最为人们所熟知的。无论是手机解锁，还是车站安检，人脸识别技术都发挥着重要作用。此外，计算机视觉还在医疗影像分析、安防监控、自动驾驶等领域发挥着巨大作用。 比如，在医疗领域，医生可以通过计算机视觉技术快速准确地识别出病变区域；在安防领域，智能监控系统可以实时监测并识别出异常行为。 当然，计算机视觉技术的发展也离不开深度学习的支持。 对于初学者来说，学习计算机视觉可能会有些困难，但只要掌握了基础知识，并多加实践，就一定能够掌握这门技术。同时，随着技术的不断进步，相信计算机视觉将会在未来的更多领域发挥更大的作用。
50310编辑于 2024-10-09 - 来自专栏计算机工具
计算机视觉-LeNet
卷积操作使图像尺寸减小到8，经过池化后变成4。 第三模块：包含4×4的120通道卷积。卷积之后的图像尺寸减小到1，但是通道数增加为120。将经过第3次卷积提取到的特征图输入到全连接层。 然后使用Softmax激活函数即可计算出每个类别的预测概率。 【提示】： 卷积层的输出特征图如何当作全连接层的输入使用呢？ out_channels=6）和maxpool之后，得到形状为[Bx6x12x12]的特征图；经过第二层卷积(kernel_size=5, out_channels=16)和maxpool之后，得到形状为[Bx16x4x4 ]的特征图；经过第三层卷积(out_channels=120, kernel_size=4)之后，得到形状为[Bx120x1x1]的特征图，在FC层计算之前，将输入特征从卷积得到的四维特征reshape logits = model(img) pred = F.softmax(logits) # 计算损失函数
71510编辑于 2024-12-14 - 来自专栏腾讯大讲堂的专栏
深度学习重构视觉计算
来自TEG的AI Lab 计算机视觉中心的总监、专家工程师刘威，就深度学习重构视觉计算，给大家进行了分享。 近年来，计算机视觉已经成为人工智能的研究热点。 而计算机视觉的研究也不断从图像AI转到多媒体（视频）AI上。视频AI不仅需要建模图像的空间域信息，还需要建模视频帧之间的时间域信息。 首先讲一下我的组，也就是“计算机视觉中心”，迄今为止的研究成果。我们有9项专利申请，论文全部发表于2017年。我是2016年6月份加入腾讯的，这是我们一年的研究成果。 今天的主题是“计算机视觉被深度学习重构”。为什么有重构？重构肯定有摧毁，这也是我的一个疑问，在深度学习时代，深度学习是否已经摧毁了计算机视觉？ 至少深度学习很大程度上重构了计算机视觉或者视觉计算。为什么讲重构？因为迄今为止，我们不能完全丢开传统的计算机视觉的算法、模型。一旦使用到了滤波器，就还是在使用以前的东西，但是重要性明显大打折扣。
2K50发布于 2018-03-01 - 来自专栏云深之无迹
计算机视觉之三维重建篇.4(极几何)
喜提新书
29330编辑于 2022-11-29 - 来自专栏信数据得永生
Qt5 和 OpenCV4 计算机视觉项目：6~9
我们了解了如何将计算移至 GPU，以实现性能的大幅提高。 在本章中，我们检测了多种对象。 在下一章中，我们将讨论如何借助计算机视觉技术来测量它们之间的距离。 如果我们将方程(2)和方程(3)结合起来，我们将得到方程(4)。 从等式(4)，经过一些变换，我们可以得出距离D1，可以将其计算为等式(5)。 然后，我们以两种视图模式（鸟瞰图和水平视图）讨论了计算机视觉域中距离测量的原理。 之后，我们在应用中的这两种视图模式中实现了距离测量功能，并在 UI 上添加了一个菜单，以在两种视图模式之间切换。 在下一章中，我们将介绍一种称为 OpenGL 的新技术，并了解如何在 Qt 中使用它以及如何在计算机视觉领域为我们提供帮助。 我希望我们使用 Qt，OpenCV，Tesseract，许多 DNN 模型和 OpenGL 开发的所有项目都能使您更接近计算机视觉世界。
4.2K30编辑于 2023-04-27 - 来自专栏信数据得永生
Python3 OpenCV4 计算机视觉学习手册：1~5
OpenCV 代表开源计算机视觉。 它是一个免费的计算机视觉库，可让您处理图像和视频以完成各种任务，从显示网络摄像头中的帧到教机器人识别现实中的物体。 我们之所以选择这种方法，是因为计算机视觉大多是外向的-它考虑了计算机外部的真实世界-并且我们希望通过通用接口将所有后续算法工作应用于真实世界。 在输入和输出之间，当我们将计算机视觉技术应用于图像时，通常将使用三种颜色模型：灰度，蓝绿红（BGR）和色相饱和度值（HSV）。 边缘检测 边缘在人类和计算机视觉中都扮演着重要角色。 我们作为人类，仅通过查看背光轮廓或粗略草图就可以轻松识别许多对象类型及其姿势。 脸部检测和脸部识别是计算机视觉不断发展的分支，算法也在不断发展，随着对机器人技术和物联网（IoT）。
5.7K20编辑于 2023-04-27 - 来自专栏信数据得永生
Qt5 和 OpenCV4 计算机视觉项目：1~5
一、构建图像查看器 计算机视觉是使计算机能够对数字图像和视频有较高了解的技术，而不仅仅是将它们视为字节或像素。 它广泛用于场景重建，事件检测，视频跟踪，对象识别，3D 姿态估计，运动估计和图像恢复。 OpenCV（开源计算机视觉）是一个实现几乎所有计算机视觉方法和算法的库。 在许多受益于计算机视觉技术的行业中，这两个功能强大的库被许多开发人员一起使用，以创建具有可靠 GUI 的专业软件。 在本书中，我们将演示如何使用 Qt 5 和 OpenCV 4 构建这些类型的功能应用，它们具有友好的图形用户界面以及与计算机视觉技术相关的多种功能。 OpenCV 是一组库，工具和模块，包含构建计算机视觉应用所需的类和函数。 可以在其官方网站的发布页面上找到其发布文件。
7.9K10编辑于 2023-04-27 - 来自专栏腾讯云服务器团队的专栏
加速，视觉计算！腾讯云遨驰异构计算平台视觉计算解决方案
在虚拟世界中云蹦迪、在小程序里云游敦煌、在VR空间中看房... 这些与「全真互联」密切相关的新场景，逐渐在我们身边发生。 虚拟世界和真实世界的大门已经打开，无论是从虚到实，还是由实入虚，都在致力于帮助用户实现更真实的体验。随着VR等新技术、新的硬件和软件在各种不同场景的推动，我相信全真互联能够给我们带来全新的生活方式，丰富我们的感知和体验。 腾讯云与合作伙伴一起，近年来在游戏、社交、地产等领域的探索中，积累了丰富的「全真互联」实战经验。11月25日，我们诚邀您一起探讨「全真互联」发展趋势及技术实践。期待您的
1.2K50编辑于 2022-11-22 - 来自专栏信数据得永生
Python3 OpenCV4 计算机视觉学习手册：6~11
cv-py3/img/24caa145-7d5e-49c4-b72d-4d4c2b682a17.png)] 尽管存在旋转差异，但作为人类，我们可以轻松地在下图中找到纹身： 作为计算机视觉中的一项练习， 了解 BoW BoW 是最初不用于计算机视觉的概念； 相反，我们在计算机视觉的背景下使用了该概念的演进版本。 在计算机视觉的背景下，有时 BoW 被称为视觉词袋（BoVW）。 但是，我们将仅使用术语 BoW，因为这是 OpenCV 使用的术语。 既然我们已经掌握了 BoW 的基本概念，那么让我们看一下它如何应用于计算机视觉世界。 将 BoW 应用于计算机视觉 现在，我们已经熟悉了特征和描述符的概念。 但是，有关在计算机视觉环境中对此主题的介绍，请参阅 Joseph Howse 的书《写给秘密特工的 OpenCV 4》（Packt Publishing，2019），特别是第 7 章“用运动放大相机观看心跳
5.2K20编辑于 2023-04-27 - 来自专栏52ai人工智能
什么是计算机视觉？什么是机器视觉？
然而，小伙伴们知道视觉对于机器人是多么难能可贵吗？我们平时所说的计算机视觉和机器视觉又有什么区别呢？今天小编就为大家讲一讲什么是计算机视觉、什么又是机器视觉。 机器视觉则偏重于计算机视觉技术工程化，能够自动获取和分析特定图像，以控制相应的行为。 1 计算机视觉 计算机视觉是指用摄像机和电脑及其他相关设备，对生物视觉的一种模拟。 计算机视觉的最终目标是使计算机能像人那样通过视觉观察和理解世界，具有自主适应环境的能力。 如何让计算机从这些死板的数字里面读取到有意义的视觉线索，是计算机视觉应该解决的问题。 然而，计算机视觉发展多年，却依然存在着一系列难以解决的难题。 计算机视觉的研究很大程度上是针对图像的内容。如下图所示，如何让计算机判断出图片中都是猫，才是计算机视觉研究的内容。 机器视觉主要是指工业领域的视觉研究，例如自主机器人的视觉，用于检测和测量的视觉。
1.7K31发布于 2019-01-18
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