- 综合排序
- 最热优先
- 最新优先
- 来自专栏点云PCL
SLAM综述(2)-视觉SLAM
视觉传感器的产品和公司 •Microsoft：Kinectc v1（结构化轻型），Kinect v2（TOF）， Azure Kinect（带有麦克风和IMU）。 ? •DVO：它（RGB-D）提出了一种密集的视觉SLAM方法，一种基于熵的相似度度量用于关键帧选择和基于g2o框架的闭环检测[36]。 •RGBD-SLAM-V2：利用（RGB-D）深度相机即可重建准确的3D密集模型[37]。 •Kintinuous：它（RGB-D）是一种视觉SLAM系统，具有实时全局一致的点和网格重构[38]。 IEEE Robotics and Automation Letters, 2(2):796– 803, 2017. [21] D. Schlegel, M. Colosi, and G. IEEE Robotics and Automation Letters, 2(2):593–600, 2016.
2K22发布于 2020-10-26 - 来自专栏CreateAMind
pix2pix视觉景深学习 彩色视频2
v2 解决了大卡车训练不足的问题，精度也提高了。 黑白图： v1 左侧为原始数据， 左上rgb图像；右上是深度图的差值效果， 左下深度图，右下是从rgb由pix2pix预测的深度图； 可以看出来，预测基本准确，边缘部分波动稍微大一些。
32520发布于 2018-07-24 - 来自专栏书山有路勤为径
特征点法视觉里程计（2D-2D）
特征点提取与匹配 经典SLAM模型中以位姿-路标（Landmark）来描述SLAM过程 路标是三维空间中固定不变的点，能够在特定位姿下观测到 数量充足，以实现良好的定位 较好的区分性，以实现数据关联 在视觉 (汉明距离) 加速：快速最近邻居（FLANN） 特征匹配之后，得到特征点之间的对应关系 如果只有两个单目图像，得到2D-2D的关系——对极几何 如果匹配的是帧和地图，得到3D-2D的关系—— PnP 如果匹配的是 RGB-D,得到3D-3D的关系——ICP 2D-2D对极几何 P在两个图像的投影为 ? 5.两侧左乘：t^x_2 = t^Rx_1 6.再一步左乘： ? t^ ? = ? t^ ? 7 . 对极约束 ? t^ ? ? ? ? ? 2D-2D对极几何小结 2D-2D情况下，只知道图像坐标之间的对应关系 当特征点在平面上时，（例如俯视或者仰视），使用H恢复R,t 否则，使用E或F恢复R,t t没有尺度 求得R,t后： 利用三角化计算特征点的
1.3K20发布于 2019-06-15 - 来自专栏AiCharm
视觉显著性目标检测综述（2）
Wu等［56］提出的DCN模型将整个网络分为2个阶段，其中分解网络迭代地利用跨任务聚合和跨层聚合模块同时进行显著性、边缘和骨架图的预测，而在合成网络中，使用边缘和骨架信息学习分别定位显著目标的边界和内部
1K21编辑于 2023-05-15 - 来自专栏云深之无迹
巴塞罗那自治大学.3D视觉课件.2
松山湖 可爱大狗！
24420编辑于 2022-11-29 DeepSeek-OCR2解读：视觉因果流的探索
DeepSeek-OCR2 的核心创新，就是提出了 DeepEncoder V2，它想让模型学会像人类一样，跟着语义的因果来重新排列视觉 token。 二、DeepEncoder V2：视觉因果流的核心 DeepEncoder V2 的设计完全重构了传统的视觉编码器，它把 CLIP 组件换成了 LLM 风格的架构，用一种双向注意力和因果注意力结合的机制 从 CLIP 到 LLM 架构的转变 原来的 DeepEncoder 用的是 CLIP 的 ViT 结构，而 DeepEncoder V2 直接换成了类似 Qwen2-0.5B 的 LLM 架构，把视觉 注意力掩码：双向与因果的结合 DeepEncoder V2 的注意力掩码分成两部分：左边是视觉 token 的双向注意力掩码，让每个视觉 token 都能看到其他所有视觉 token；右边是因果查询 token DeepSeek-OCR2 的因果流查询，就像电影里的剪辑师，把视觉碎片按语义因果拼出完整的故事。
9810编辑于 2026-06-22- 来自专栏3D视觉从入门到精通
Facebook的移动视觉团队推出了Detectron2Go（D2Go）
为了扩展Detectron2，Facebook Reality Labs的Mobile Vision团队发布了Detectron2Go（D2Go）。 D2Go是最新的最新扩展，用于在移动设备和硬件上训练和部署有效的深度学习对象检测模型。D2Go建立在Detectron2，TorchVision和PyTorch Mobile的基础上。 作为同类工具中的第一个，D2Go将允许用户将他们的模型从训练转移到移动部署。 使用D2Go进行物体检测主要取决于两个因素： 延迟（速度） 准确性 延迟是许多视觉系统面临的主要挑战。 D2Go为开发人员提供了使用PyTorch Lightning作为训练框架并利用社区现有工具的选项。 据球队，D2Go结合FBNetV3提供实例分割，高效的检测和关键点估计模型。 Facebook使用D2Go开发计算机视觉模型，在该模型中，拥有硬件感知的实时模型对于获得出色的用户体验至关重要。
1.1K40发布于 2021-03-19 - 来自专栏AI智韵
A2Mamba：融合Transformer与Mamba的混合视觉架构
我们的A2Mamba在视觉识别任务中优于所有先前的基于ConvNet、Transformer和Mamba的架构。 ）[1] 因其使用多头自注意力（MHSA）[2] 建模长距离依赖关系的能力，已成为各种视觉任务的事实选择。 基于MASS，我们提出了一个更强的视觉主干架构，称为A2Mamba，它为各种视觉识别任务编码更具区分性的特征表示。 3.2 A2Mamba的整体架构 在这项工作中，我们提出了一种新颖的混合视觉主干架构A2Mamba，它利用了Transformer和Mamba架构的优势。 我们在各种视觉任务上评估了A2Mamba，包括图像分类和密集预测，并证明了其相对于现有强大的基于ConvNet、Transformer和Mamba的视觉主干架构的显著性能优势。
1.3K10编辑于 2025-09-11 - 来自专栏目标检测和深度学习
全球最全计算机视觉资料（2：分类与检测）
1505.01749] You Only Look Once: Unified, Real-Time Object Detection [http://arxiv.org/abs/1506.02640] YOLOv2
56830发布于 2018-07-20 - 来自专栏程序人生 阅读快乐
OpenCV 2 计算机视觉编程手册_中文版
《OpenCV2计算机视觉编程手册》以案例的形式介绍OpenCV 2.X的新特性和C++新接口，案例中包含具体的代码与详细的说明。本书很好地平衡了基础知识与进阶内容，要求读者具有基础的C++知识。 本书既适合想要学习计算机视觉的C++初学者，也适合专业的软件开发人员。本书可作为高等院校计算机视觉课程的辅助教材，也可以作为图像处理和计算机视觉领域研究人员的参考手册。
1.2K10发布于 2018-10-10 基于视觉推理的Img2LaTeX转换技术突破
摘要Img2LaTeX是将数学表达式或表格图像转换为LaTeX代码的重要任务。尽管视觉语言模型(VLMs)在多种视觉理解任务中表现优异，但在处理精细视觉元素时仍存在LaTeX预测不准的问题。 为此提出A²R²框架，通过视觉推理中的注意力定位与迭代优化机制，使VLMs能够执行自我修正并逐步提升预测质量。为有效评估，构建包含1100个挑战性样本的Img2LaTex-Hard-1K数据集。 ：采用三阶段处理流程：初始LaTeX生成视觉一致性验证基于注意力反馈的语法修正动态终止条件：当连续两轮预测的编辑距离小于阈值时停止迭代实验结果在新建数据集上对比7种基线方法：指标 BL-1BL -2A²R²(3轮)提升幅度字符准确率 72.375.183.7+8.6% 结构相似度 0.810.830.91+8% 编译通过率 68% 71% 89% +18% 技术贡献首个将视觉推理引入 Img2LaTeX任务的可解释框架提出面向数学符号的层次化注意力机制验证测试时迭代优化对VLMs的普适性价值
15710编辑于 2025-08-13- 来自专栏AI
视觉
学习如何使用 GPT-4 来理解图像介绍具有视觉功能的 GPT-4 Turbo 允许模型接收图像并回答与之相关的问题。在历史上，语言模型系统受限于仅接收单一输入模态，即文本。 在探索视觉理解可以应用于哪些用例时，牢记模型的局限性是很重要的。 限制虽然具备视觉功能的 GPT-4 功能强大，可以在许多情况下使用，但了解模型的局限性是很重要的。以下是我们所知的一些限制：医学图像：模型不适合解释专业医学图像，如 CT 扫描，不应用于医疗建议。 视觉元素：模型可能难以理解图表或文字中颜色或样式（如实线、虚线或点线）变化的情况。空间推理：模型在需要精确空间定位的任务上表现不佳，例如识别国际象棋位置。
1.4K10编辑于 2024-04-22 - 来自专栏人人都是极客
MobileNetV2：下一代边缘计算视觉网络
下一代嵌入式视觉网络 随着在移动设备上运行深度网络可以提升用户体验，而且允许随时随地可以访问，并且在安全性、隐私和能耗方面相对云端计算具有优势，边缘计算的需求越来越大。 2017年谷歌引入了面向嵌入式设备设计的通用型计算机视觉神经网络系列 MobileNetV1，支持分类和检测等功能。随着用户对人工智能交互需求的提高，算法对更高效神经网络的需求也逐渐增加。 也是基于算法的发展，出现了新的轻量级视觉网络架构MobileNetV2 ，它将为下一代移动视觉应用提供支持。 MobileNetV2 在 MobileNetV1 的基础上进行了重大改进，并推动了移动视觉识别技术的发展，包括分类、对象检测和语义分割。 综上，MobileNetV2 提供了一个非常高效的面向移动设备的模型，可以用作许多视觉识别任务的基础。 【部分截图来源于GDG社区】
1.5K10发布于 2018-07-26 - 来自专栏深度学习
【计算机视觉】二、图像形成：2、几何基元和几何变换：2D变换
一、向量和矩阵的基本运算 【计算机视觉】二、图像形成：1、向量和矩阵的基本运算：线性变换与齐次坐标 二、几何基元和变换 1、几何基元(Geometric Primitives) 几何基元是计算机图形学中最基本的图形对象 2. bmatrix}x 射影变换 二维射影: x' = Hx,\ H\ \text{为任意3x3矩阵} 这些变换矩阵提供了将点或向量从一个坐标空间变换到另一个坐标空间的数学表示方法,是计算机图形学、计算机视觉等领域的基础工具 平移变换(translation) 矩阵形式: \begin{bmatrix}I & t\end{bmatrix}_{2\times 3} 自由度: 2 (对应x,y平移分量) 保留不变性: _{2\times 3} 自由度: 4 (1个旋转分量+1个缩放分量+2个平移分量) 保留不变性: 角度(angles) 仿射变换(affine) 矩阵形式: \begin{bmatrix
1.2K10编辑于 2024-07-30 - 来自专栏机器人课程与技术
ROS2+Gazebo+OpenCV之mobot仿真视觉传感器
预备基础： ROS2之OpenCV的微笑入门资料篇 ROS2之OpenCV怎么理解一段代码 ROS2机器人个人教程博客汇总（2021共6套） ---- 其中： 使用机器人操作系统ROS 2和仿真软件 如：ROS2之OpenCV怎么理解一段代码，一样。 只需修改一行代码即可实现： 在这样环境中，可以做红绿等识别和赛道巡线等基础视觉教学任务。 ---- 提示： 图片右侧显示mobot_camera，参考： ---- 参考python代码： # Basic ROS 2 program to subscribe to real-time streaming https://automaticaddison.com # Import the necessary libraries import rclpy # Python library for ROS 2 data) # Display image cv2.imshow("camera", current_frame) cv2.waitKey(1) def
89540编辑于 2022-06-17 - 来自专栏信数据得永生
OpenCV2 计算机视觉应用编程秘籍：6~10
过滤可以消除图像中的噪点，提取有趣的视觉特征，允许图像重采样等。 它起源于一般的信号和系统理论。 在此我们将不详细介绍该理论。 ，图像配准，视觉跟踪，3D 重建等方面存在许多问题。 例如，在视觉跟踪应用中经常是这种情况，在视觉跟踪应用中，必须在具有高帧速率的视频序列中跟踪几个点。 另见 The article by E. Rosten and T. 该比例因子可用于定义特征点周围的窗口大小，以使定义的邻域将包含相同的视觉信息，而不管特征所属的对象已被描绘成什么比例。 另外，包含在该邻域中的视觉信息可用于表征特征点，以使其与其他特征区分开。 当这两个摄像机由刚性基准线分开时，我们使用术语立体视觉。
1.7K30编辑于 2023-04-27 - 来自专栏腾讯云智能·AI公有云
腾讯云AI牵头制定2项计算机视觉标准
计算机视觉作为人工智能的关键技术之一，是目前人工智能应用于产业经济的重要驱动力。 然而，业界缺乏对计算机视觉系统在可靠性、安全性、规范性等的系统性测评方法和标准建立，一定程度上影响着计算机视觉系统的广泛应用和技术发展。 在腾讯优图实验室、腾讯标准团队支持下，腾讯云AI牵头了本次《人工智能 深度合成图像系统技术规范》、《人工智能 智能字符识别技术规范》2项标准的制定工作。 | 全球 Top2！
3.5K10编辑于 2022-08-26 - 来自专栏机器视觉那些事儿
【从0到1构建通用视觉框架】（2）图像采集、预处理
2 视频展示 http://mpvideo.qpic.cn/0bf2fmac6aaauuaaqilz25qfak6df4vqalya.f10002.mp4?
1.3K30发布于 2021-04-23 - 来自专栏深度学习和计算机视觉
视觉工程师必备视觉知识
机器人视觉引导玩偶定位应用 02 现场有两个振动盘，振动盘1作用是把玩偶振动到振动盘2中，振动盘2作用是把玩偶从反面振动为正面。 ，当反面玩偶数量过多时，VD200视觉系统发送指令给振动盘2把反面玩偶振成正面。 镜面反射：平滑表面以对顶角反射光线 漫射反射：粗糙表面会从各个方向漫射光线 发散反射：多数表面既有纹理，又有平滑表面，会对光线进行发散反射 （2）作用和要求 在机器视觉中的作用： 照亮目标，提高亮度； 一般如果畸变小于2%，人眼观察不到；若畸变小于CCD的一个像素，摄像机也看不见。 如：1/3“、1/2”等。绝大多数模拟相机的传感器的长宽比例是4：3 (H：V)，数字相机的长宽比例则包括多种：1：1，4：3，3：2 等。 （7）相机--像素 是成像于相机芯片的图像的最小组成单位。
58310编辑于 2024-09-25 - 来自专栏机器人课程与技术
ROS2+Gazebo11+Car+OpenCV录制视觉数据和控制学习
录制视觉数据如下： ---- 控制效果如下： ---- 如上控制案例参考： 2019年的一篇旧文，大概三年前了。 不变的配方，熟悉的味道。 [gazebo-1] Released under the Apache 2 License. [gazebo-1] Released under the Apache 2 License. [gazebo-1] [gazebo-1] libcurl: (6) Could not resolve host: fuel.ignitionrobotics.org ---- 录制视觉参考代码如下： run prius_line_following video_saver colcon build ros2 run prius_line_following video_saver ros2 launch
92810编辑于 2022-06-08
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