- 综合排序
- 最热优先
- 最新优先
- 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。 二、计算机视觉与其它学科领域的关系 计算机视觉与其他许多学科领域存在紧密联系,相互借鉴、交叉渗透,这种跨学科的交叉正是推动计算机视觉不断发展的重要动力。 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。 四、计算机视觉的意义 自动识别图像或视频中的对象 从视觉数据中提取出潜在信息 使计算机看到/学习程序员没有告诉它们的东西 用计算算法模仿人类的视觉感知 训练计算机理解视觉世界 通过视觉感知来认识世界 How
2.1K10编辑于 2024-07-30 - 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 - 来自专栏深度学习和计算机视觉
计算机视觉 - 使用 YOLOv8 创建交通热力图
在计算机视觉领域，有许多技术可以解释从视频（录制、流媒体或实时）中获取的数据。在特定情况下，例如评估交通强度或某些对象（如人、车辆、动物等）的行为区域时，热力图成为一种非常有效的工具。 model = YOLO('yolov8m.pt') 接下来，我们需要指定要分析的视频路径。 track_history = defaultdict(lambda: []) last_positions = {} 由于我们只考虑移动的物体（例如，停放的汽车可能会干扰分析），我们创建了一个函数来计算两点之间的欧几里得距离 该距离使用勾股定理计算，返回两点之间的直线距离。 heatmap_norm = cv2.normalize(heatmap_blurred, None, 0, 255, cv2.NORM_MINMAX, dtype=cv2.CV_8U) heatmap_color
60210编辑于 2025-02-05 - 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？ )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 # -*- coding: utf-8 -*- # LeNet 识别手写数字 import os import random import paddle import numpy as np import logits = model(img) pred = F.softmax(logits) # 计算损失函数
71510编辑于 2024-12-14 - 来自专栏AI研习社
CV 新手避坑指南：计算机视觉常见的8个错误
我想和大家分享一下我在过去两年的计算机视觉工作中所发现或产生的错误的一些经验。我在会议上谈到过这个话题，很多人在会后告诉我：「是的，老兄，我也有很多这样的 bug。」 (ones * 0.99, ones) In [4]: x1, x2 Out[4]: (0.010099999897990103, 0.9998990001020204) 在 x1 中，我们计算了与标准答案完全不同的损失 但是对于大多数计算机视觉应用程序来说，代码遗漏了一些重要的东西：切换到评估模式。 如果试图将动态 pytorch 图转换为静态 pytorch 图，则很容易识别此问题。 这里有一个危险的操作：将 float32 转到 uint8。 将 float32 转换为 uint8 也存在同样的问题：三次插值可以输出大于输入的值，并导致溢出。 ? 我发现了这个问题。在你的循环里面有断言也是一个好主意。
70710发布于 2019-10-22 - 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。 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。 讨论一个更加有挑战性的工作，Youtube8M的视频分类任务。这个数据集合大约包含800万的视频数据，共四千多个类别标签，每个视频下的视觉标签数是1-31个，平均每个视频3.4个标签。。
2K50发布于 2018-03-01 - 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 - 来自专栏AIGC 先锋科技
基于 YOLOv8 和计算机视觉 CV 的实时识别系统！
为此，本文提出了一种利用先进的深度学习和计算机视觉技术对马拉雅拉姆语手语进行识别的方法。 作者从开发一个标记的马拉雅拉姆字母数据集开始，并使用先进的深度学习技术如YOLOv8和计算机视觉进行识别。 提出了一种使用YOLOv8和计算机视觉技术进行马来语手语识别的方法。 实验验证了所提出的系统，展示了其在开发包容性人工智能应用程序中的实用性。 YOLOv8保持了用户友好的界面，符合Ultralytics对简洁性的承诺，同时没有牺牲在复杂计算机视觉任务中模型的深度。 YOLOv8 YOLOv8是一种基于深度学习和计算机视觉前沿进展的实时目标检测和图像分割模型，提供卓越的速度和准确性。其简化的架构适用于广泛的应用，并且易于扩展到各种硬件平台，从边缘设备到云API。 基于YOLO架构，Ultralytics的YOLOv8以其在实时目标检测中的效率和速度而闻名。它融合了模型架构、训练策略和部署选项的进步，使其成为计算机视觉应用中的热门选择。
1.4K10编辑于 2024-07-08 - 来自专栏流川疯编写程序的艺术
推荐一个计算机视觉图书：python计算机视觉编程
新建工程，插入代码： # -*- coding: utf-8 -*- """ Created on Mon Jun 29 21:36:11 2015 @author: season """ from ) #axis('off') title('Plotting: "empire.jpg"') show() 这个编辑器着实不错，可以下断点，单步调试啥的，完全满足日常需要，python又降低了进行计算机视觉相关研究的门槛啊
1.1K20发布于 2019-01-18 - 来自专栏Mac资源随时更新
FxFactory pro 8，视觉特效包
FxFactory pro for mac是应用在Mac上的fcpx/ae/pr视觉特效插件包，包含了成百上千的视觉效果，支持 Final Cut Pro, Motion, After Effects 下载：FxFactory pro for mac 1、FxFactory mac提供快速访问Adobe After Effects, Final Cut Pro 或者Motion的视觉效果集合。 4、该FxFactory专业版，您可以制作自己的视觉效果，而无需编写一行代码。 5、用户可以检查所有插件并适当配置它们为你的项目，或创建一个基于现有的新的问题。
64730编辑于 2023-02-22 - 来自专栏计算机视觉理论及其实现
计算机视觉最新进展概览(2021年8月8日到2021年8月14日)
这降低了检测器的速度，从而成为高级目标检测系统中的计算瓶颈。 给定从多个视图到一个公共地平面的特征地图投影，最先进的方法通过卷积来解决这个问题，无论物体位置如何，它都应用相同的计算。
1.1K30编辑于 2022-09-02 - 来自专栏arXiv每日学术速递
计算机视觉学术速递
其中一个特征就是火焰中不同辐射区域的分割，因此本文对几种传统的计算机视觉和深度学习分割方法进行了探索性的研究。 考虑到人类视觉系统对低亮度下的亮度差异更为敏感，我们采用$\gamma$量化而不是线性量化。为了加快计算速度，我们用神经网络重新组织了信息熵的计算过程。 张量能够有效地捕捉结构化的、潜在的语义空间和高阶的交互作用，在计算机视觉领域有着悠久的应用历史。随着计算机视觉深度学习范式转换的到来，张量变得更加重要。 本文在表征学习和深度学习的背景下对张量和张量方法进行了深入而实用的回顾，特别侧重于视觉数据分析和计算机视觉应用。 该算法在未来的量子计算体系结构中具有向更高维度扩展的潜力，为解决三维计算机视觉和图形中的匹配问题开辟了多个新的方向。
2.7K20发布于 2021-07-27 - 来自专栏arXiv每日学术速递
计算机视觉学术速递
然而，由于高计算复杂度和缺乏自然的标记化，将变换器应用于视频领域以实现诸如长期视频生成和场景理解等任务仍然是难以捉摸的。 独立观察者评估之间的敏感度为73.9%，PPV为89.5%，组内相关性为0.91（95%CI:0.84，0.95；在47扫描子集中计算）。在盲法视觉比较中，自动描绘比手动描绘更准确（p值=0.01）。 我们提出的FoleyGAN模型能够调节视觉事件的动作序列，从而产生视觉对齐的真实音轨。 近年来，计算机视觉和医学成像领域中的生成性对抗网络（Generative敌对网络，GANs）的发展为增强肿瘤检测和分析能力提供了基础。 我们使用KODAK数据集，比较了Tensorflow压缩包中8种可用模型的视觉质量指标和处理时间。结果与较好的可移植图形（BPG）和JPEG2000编解码器进行了比较。
2.1K20发布于 2021-07-27 - 来自专栏arXiv每日学术速递
计算机视觉学术速递
\url{this https URL} 链接：https://arxiv.org/abs/2107.12292 摘要：具有自我关注的Transformer引发了自然语言处理领域的一场革命，并在众多的计算机视觉任务中激发了 IEEE International Conference on Computer Vision (ICCV), 2021 链接：https://arxiv.org/abs/2107.12081 摘要：视觉文本识别无疑是计算机视觉中研究最广泛的课题之一 unchen,ETH Zurich,Westwell lab 备注：Accepted to ICCV 2021 链接：https://arxiv.org/abs/2107.11992 摘要：点云配准是三维计算机视觉中的一个基本问题 我们从计算机视觉和自然语言处理的不同数据集和任务来评估我们的方法。 在本文中，我们提出了一种多实例学习（MIL）技术，通过计算机视觉分析LC手术图像来评估胆囊壁血管。这些滤袋对应于53例手术中181gb图像的标记（低与高）血管数据集。
3.3K20发布于 2021-07-28 - 来自专栏arXiv每日学术速递
计算机视觉学术速递
虽然两个ViT设计中的绝大多数计算是相同的，但我们发现，早期视觉处理中的这一微小变化导致训练行为在对优化设置的敏感性以及最终模型精度方面明显不同。 在本文中，我们提出了一个有效的训练后量化算法，以减少存储和计算成本的视觉Transformer。基本上，量化任务可被视为分别为权重和输入寻找最优低位量化间隔。 卷积神经网络（CNN）通过引入图像处理中的诱导偏差，在许多计算机视觉任务中取得了优异的性能，并被确立为事实上的主干。 近年来，受Transformer在NLP任务中取得巨大成功的启发，视觉Transformer模型应运而生。与CNN相比，使用更少的诱导偏差，他们在计算机视觉任务中取得了很好的效果。 在这篇综述文章中，我们讨论了具身视觉语言规划（EVLP）任务，这是一系列突出的具身导航和操作问题，它们共同使用计算机视觉和自然语言。
3.2K30发布于 2021-07-02 - 来自专栏计算机与AI
《几何代数计算入门（计算机视觉）》
几何代数计算（计算机视觉）简介组成 部分：计算机视觉系列（3本书）| 作者：Dietmar Hildenbrand 语言：英语 页数：212页 ISBN-10书号：1498748384 ISBN-13 基于计算机的探索。因此，不知不觉中，活跃的读者就会在几何几何代数算法的开发，几何直观，高度理解和完全优化方面进行自我教育。” 本书的主要目标是通过从工程/计算的角度介绍几何代数来弥合这一差距。 本书旨在快速介绍“几何代数”计算及其在几何建模中的强大功能。从几何对象的角度来看，它着重于最基本的对象，即点，线和圆。 该书探讨了如何以非常直观的方式使用这些几何对象进行计算以及它们的几何运算和变换。 这本书遵循自上而下的方法，虽然专注于2D，但也很容易扩展到3D计算。 还涵盖了工程应用程序中的代数，例如计算机图形学，计算机视觉和机器人技术。
88210发布于 2021-04-16 - 来自专栏SIGAI学习与实践平台
计算机视觉文章盘点
cycle-consistency，降低视频标注成本 关键词：视频标注 论文解读 Receptive Field Block Net for Accurate and Fast 关键词：检测模型 计算机视觉技术 目标跟踪相关 行人检测算法综述 关键词：行人检测 行人重识别 PCB-RPP，SGGNN 关键词：行人重识别 【CVPR2018】最新 Video-based ReID 论文解读 关键词：ReID 视觉多目标跟踪算法综述 关键词：图匹配 图像分割技术介绍 关键词：图像分割 视频分割在移动端的算法进展综述 关键词：语义分割 视频语义分割介绍 关键词：语义分割 三维深度学习中的目标分类与语义分割 关键词：语义分割 基于单目视觉的三维重建算法综述
1.2K20发布于 2019-05-17
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