- 综合排序
- 最热优先
- 最新优先
- 来自专栏CodecWang
11: 边缘检测
目标 Canny边缘检测的简单概念 OpenCV函数：cv2.Canny() 教程 Canny边缘检测方法常被誉为边缘检测的最优方法，废话不多说，先看个例子： import cv2 import numpy Canny边缘检测 Canny边缘提取的具体步骤如下： 1，使用5×5高斯滤波消除噪声： 边缘检测本身属于锐化操作，对噪点比较敏感，所以需要进行平滑处理。 先阈值分割后检测 其实很多情况下，阈值分割后再检测边缘，效果会更好： _, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU 练习 （选做）如果你不太理解高低阈值的效果，创建两个滑动条来调节它们的值看看： 小结 Canny是用的最多的边缘检测算法，用cv2.Canny()实现。 接口文档 cv2.Canny() 引用 本节源码 Canny Edge Detection Canny 边缘检测 Canny J .
80820编辑于 2021-12-07 - 来自专栏论文降AIGC率
自己写的论文，为什么会被AIGC检测出高AI率？
一、为什么自己写的也会中招AIGC检测是概率判断，不是事实认定，结果并非绝对答案，本身存在着一定的局限性和误判（比如术语堆砌、写作风格与AI高度类似等），这也是部分国外高校取消AI率检测的原因。 国内外多个研究表明，AIGC检测对人类学术论文误判率高达25%-40%，尤其是短文本、轻度AI润色和非母语作者写作时，误判率更高。最扯的是：有同学把滕王阁序进行检测，AI率居然是100%。 AI写作越来越像人，AIGC检测算法也不断升级，覆盖了部分人写作特征，就拿以前没出现AI时的论文进行检测，也有AI率，而且个别的还不低。 所以，AIGC检测的不确定性因素太多了，检测结果目前还只能作为参考之一，不能当作唯一的评判标准，检测时要理性看待。二、AIGC检测经验小科普AI率检测是算法概率判断，不像查重是基于真实数据比对。 AIGC检测看的是整体风格、句式节奏、逻辑连贯性等，这些都是底层结构。建议先查AI率，解决完后再去查重降重（免费除外）。AIGC检测看的是论文整体，不要为了节省，像查重样只查标记内容，那样会不准确。
46400编辑于 2026-03-03 - 来自专栏AI技术体系搭建过程
AIGC11 : DeepSeek开源力量如何撬动AI新时代？
deepSeek在2025年春节期间火爆全球，微信朋友圈，头条，抖音，快手，微博等热门平台，无处不在。
11000编辑于 2025-07-01 - 来自专栏我爱计算机视觉
AIGC生成图像检测：全面分析与比较主流方案
随着 AIGC 技术的发展，由 AI 所生成的虚假图像的检测问题正成为一个新的研究热点。但是现有检测方法的实验条件与测试数据集不完全相同，无法直接横向对比检测性能。 为此，我们针对目前现有主流AIGC图像检测方案进行全面分析与比较。 在保证相同训练集与实验条件的情况下，分析测试目前检测算法的检测准确率与泛化性等性能指标，为AIGC生成图像检测领域提供一项基准的实验对比平台（Benchmark），同时整合并开源了多种现有AIGC生成图像的检测算法 测试集包含 Wang 等人 [2] 和 Zhu [11] 等人提供的数据集、以及我们自己构造的生成图像数据集，共计16个。 yet Effective Approach for AI-generated Image Detection[J]. arXiv preprint arXiv:2311.12397, 2023. [11
3.4K11编辑于 2023-11-30 Turnitin查AI率检测原理！如何降低AIGC率！
毕业季，不少留学生和国内英专生被AI率折磨得不行，下面就来说说Turnitin AI率检测原理是什么？被判AI写作如何降低AIGC率！ AI率检测，本质上是概率判断游戏，查的是内容像不像AI写的。所以，会有误判的情况发生。 二、如何降低AIGC率1、精简内容删除被标记段落中无用的套话，去掉典型AI特征的用词习惯和打破原有系统拆分片段规律，只保留其核心观点、数据、论证逻辑。再通读，其实原有的意思根本没有变化。 早降重：zjc.kk.checkyyds.com系统适配Turnitin检测，同时还支持Turnitin AI率报告上传降重，不是简单的改同义词，降重后还可在线修改、润色。 写在最后：Turnitin AI率检测查的是内容像不像AI，而不是看谁写的。工具只是辅助，降AIGC率的关键还是个人思考与写作的真实感。
55410编辑于 2026-03-14- 来自专栏用户2442861的专栏
openCV—Python(11)—— 图像边缘检测
box-sizing: border-box; padding: 0px 5px;">10
- 11 box-sizing: border-box; padding: 0px 5px;">10
- 11 laplacian边缘检测结果： ? X方向边缘检测结果： ? Y方向边缘检测结果： ? XY方向结合边缘检测结果： ? Canny边缘检测结果： ?
2K11发布于 2018-09-19 免费AIGC检测工具推荐，助你轻松应对相关问题！
在当今数字化时代，AIGC技术飞速发展，如何准确检测其生成内容变得至关重要。AIGC检测工具应运而生，它能帮助我们有效识别相关内容，保障信息的真实性与原创性。 一、 AIGC检测工具概述1.1 AIGC检测工具的定义与功能AIGC（人工智能生成内容）检测工具是指一类专门设计用于识别和评估由人工智能生成的内容的工具。 三、 AIGC检测工具的使用技巧与注意事项3.1 AIGC检测工具的使用技巧在使用AIGC检测工具时，掌握一些实用的技巧可以帮助您提高检测准确性，优化检测流程。以下是一些实用的建议：1. 3.3 使用AIGC检测工具的注意事项在使用AIGC检测工具时，以下是一些重要的注意事项，可以帮助您避免误判或漏检，确保检测结果的准确性：1. 通过遵循这些注意事项，您可以更有效地使用AIGC检测工具，并减少误判或漏检的风险，从而提高您的工作效率和准确性。
76910编辑于 2025-08-30- 来自专栏贾志刚-OpenCV学堂
送书 | AIGC实战工业缺陷检测：从原理到代码
图1 正常木料与异常木料对比展示图 通过引入 AI 技术，可以让机器自动检测和识别木料中的缺陷，从而大幅提高检测效率和准确性，确保生产出高质量的木制品。 在上述背景下，AIGC 技术的引入显得尤为重要。AIGC 技术能够通过结合最相关的特定技术手段来生成逼真的缺陷图像，丰富训练数据集，从而提升 AI 模型的检测性能。 图3 通过正样本生成带缺陷负样本结果实例图 此外，AIGC 系统还可以接收操作人员的直接需求，从而进一步提高检测的可靠性和准确性。 通过结合 AI 模型和 AIGC 技术，木料缺陷检测不仅能够实现更高的自动化水平，还能显著降低操作人员的介入需求。 有些需求方可能选择忽略图像中的某些缺陷，而有些则会严格要求所有缺陷都被检测出来。然而，在技术实现层面，最基础的缺陷检测模型会始终尝试检测出所有的缺陷。
15510编辑于 2026-04-02 - 来自专栏贾志刚-OpenCV学堂
YOLO11+OpenVINO 实现药片检测
数据集下载地址： https://github.com/ultralytics/assets/releases/download/v0.0.0/medical-pills.zip、 数据标签文件配置： YOLO11 模型训练 训练命令行 yolo detect train data=medical-pills.yaml model=yolo11n.pt epochs=100 imgsz=640 PR曲线 部署与量化推理演示 PTQ的量化代码如下： 运行结果如下： 基于OpenVINO2025 C++ SDK部署INT8量化后模型，推理效果如下： OpenVINO + YOLO11药片检测的推理代码如下： std::string > detector(new YOLO11Detector()); detector->initConfig(xmlpath, labelpath, 0.2, 640, 640); cv::Mat image = cv::imread("D:/pills.jpg"); detector->detect(image); cv::imshow("YOLO11药片检测+OpenVINO2025", image);
12810编辑于 2026-04-02 - 来自专栏论文降AIGC率
论文AI率到底查什么？吃透这5种修改技巧直接安全上岸！
一、AIGC检测到底查什么AIGC检测不是查你用没用AI辅助，而是查文本像不像AI写作。词汇分布句式结构语义逻辑表达习惯划重点：不是不能用AI，而是在于谁才是真正的作者。 一句话总结：AIGC检测就是概率预测，所以会有误判的情况，而且状况频出，常见的误判多为写作风格像AI、术语密集等。二、如何正确进行AIGC检测初稿阶段：可以不查，后续还要修改。 错误做法：分章节、片段检测，结果不准确。避坑要点：同一论文不同平台检测，结果差异非常大，不仅是AI率的不同，最关键是标记的内容也不一样。用错系统，大概率会误导修改。 学校常用的AIGC检测平台：Turnitin（ttai.kk.checkyyds.com）：国际权威，适合留学生、英文专业的毕业论文，国际版+AI可同时出具查重和AI率双报告。 早降重：zjc.kk.checkyyds.com适配多平台检测：早降重适配最新升级的知网、维普、Turnitin、万方等平台的检测逻辑，还支持各平台的AIGC检测报告上传进行降重和降AI率。
1K10编辑于 2026-03-02 - 来自专栏顶象技术业务安全专栏
更安全的验证码=AIGC+集成环境信息检测！
邮箱服务器检测到异常登录请求，会下发验证码进行安全验证，但是黑灰产能够自动破解简单验证码，完成撞库登录过程。整个过程完全自动化操作，无需人工干预，就这样，用户的大批账号就被冒名登录了。 集成AIGC的顶象无感验证能够无限生产验证图片。通过AIGC能够文本描述快速生成无限量的图像素材，使得基于遍历图库的破解方式失效，大大增强验证码的破解难度。 此外，利用AIGC，顶象无感验证更创造出一些对用户友好、机器识别难度较高的新型验证码。 魔高一丈，黑灰产+AIGC突破常规验证码 AIGC技术能够生成海量图片，且有一定随机性且不可逆，使攻击者打标训练成本可增加10倍以上，虽然大幅增加机器破解的难度。 基于AIGC，黑灰产不再需要采集验证码厂商的图库并打标，就能训练模型识别各种艺术字。
67720编辑于 2023-08-03 YOLO11实战——物体检测识别
一、前言 老周当时了解YOLO的时候是YOLO8，当时很火，但转眼间就YOLO11了。从官方给的性能图来看YOLO11大概是走到此类任务的天花板了，未来几年目标检测的任务可能不会再有很巨大的提升。 使用示例：https://docs.ultralytics.com/models/yolo11/#usage-examples # Load a COCO-pretrained YOLO11n model bus.jpg 它会在你运行命令的文件里下载bus.jpg和yolo11n.pt，还有生成runs文件夹（储存结果的文件夹） 训练结果： 可以看出公交bus训练后检测到0.94的权重是公交，效果还是挺好的 你也可以用这个模型做一些微调训练自己需要检测的数据集，希望你也能训练个误差低的模型。 当YOLO11能识别1000种物体时，我们是否该思考：机器的'视力'终将超越人类？ 从医疗影像的早期病变检测，到自动驾驶的复杂路况判断，物体检测的边界正在被不断拓展。而这一切，都始于你今天点击'运行'按钮的瞬间。未来已来，你，准备好成为定义它的人了吗？
75010编辑于 2025-12-24- 来自专栏深度学习和计算机视觉
来了，使用YOLOv11目标检测教程
YOLO11 是 Ultralytics YOLO 系列的最新版本，结合了尖端的准确性、速度和效率，用于目标检测、分割、分类、定向边界框和姿态估计。 主要特点 增强的特征提取：YOLO11 使用改进的主干和颈部架构来增强特征提取，以实现更精确的目标检测和复杂任务的性能。 跨环境的适应性：YOLO11 可以无缝部署在边缘设备、云平台和配备 NVIDIA GPU 的系统上，确保最大的灵活性。 支持广泛的任务范围：YOLO11 支持各种计算机视觉任务，如目标检测、实例分割、图像分类、姿态估计和定向目标检测（OBB）。 我将在这个数据集中训练一个有 8 种不同寄生虫类别的目标检测模型。我将通过 Roboflow 处理标记、分类的图像。我经常在我的个人项目中使用这个开源平台。
3.6K10编辑于 2024-10-10 - 来自专栏机器学习与生成对抗网络
视觉CV-AIGC一周最新技术精选(2023-11)
将物体计数形式化为一种集成视觉提示的开放式物体检测任务。用户可以通过在参考图像上标记点或框来指定感兴趣的物体，然后T-Rex可以检测到所有具有相似模式的物体。 在TRex的视觉反馈指导下，用户还可以通过提示缺失或错误检测的物体来交互地改进计数结果。T-Rex在几个类不可知计数基准上取得了最先进的性能。 因此，开发一种检测器来识别AI生成的图像非常紧迫。大多数现有的检测器对未见的生成模型性能大幅下降。本文提出一种新的AI生成图像检测器，能够识别广泛范围内各种生成模型创建的虚假图像。 方法利用图像中丰富纹理区域与贫纹理区域之间的像素间相关性对比，来检测AI生成的图像。丰富纹理区域的像素比贫纹理区域的像素的波动更大。这种差异反映了丰富纹理区域的熵大于贫纹理区域的熵。 此外，建立了一个全面的AI生成的图像检测基准，包括16种流行的生成模型，用于评估现有基线方法和我们的方法的有效性。基准为后续研究提供了排行榜。实验结果表明，方法在性能上显著优于现有的基准方法
45710编辑于 2023-11-27 - 来自专栏论文降AIGC率
论文查重、AIGC检测顺序｜按这个来，不做无用功！
毕业季，不少同学被查重、AIGC检测、降重、降AI率搞得头都大了！到底要先怎么查、怎么降才不做无用功？一、初稿阶段只降核心重复内容，不看AIGC率。 如果是重复率和AIGC率都高的话，也可以用工具结合人工降重，比如：早降重辅助工具，支持降重复率和降AIGC率，还能上传查重/AIGC检测报告针对性降重和降AI率。 三、定稿阶段定稿阶段，用学校指定的系统做最终AIGC检测与查重。 如果有不达标的情况： 重复率不达标→对重复内容做语义改写→查重（合格）→AIGC检测AI率不达标→对问题句子或段落加人味→AIGC检测（合格）→查重定稿阶段不管是做什么修改，提交学校检测前，二项都必须符合学校要求标准内 写在最后查重可以从免费查起，AIGC检测工具学校用什么就用什么查。降重复内容过程中，最好才用深度语义改写法，避免AI率反弹。二次验证，查重可只查重重复内容，AIGC检测要全文检测。
23610编辑于 2026-03-24 - 来自专栏和蔼的张星的图像处理专栏
11.YOLOV3训练检测拾遗。
训练配置以及检测我在上一篇文章里已经写过了，这里主要写一下可能会遇到的一些问题及解决方案。 这里面要做的许多事情别人都已经是做过了的，我做一下总结而已。 1. 保存训练日志以及训练日志可视化。 /usr/bin/env python3 # -*- coding: utf-8 -*- """ Created on Thu Nov 29 16:23:11 2018 @author: zhxing 检测的效果还不错，比上次150张图片训练的准确率要高出不少，天空和树林背景的检测准确率已经很高，不过白色的楼做背景的话，白色的无人机要就检测出来确实比较难。看后面会不会有什么别的好办法。 IOU来看的话还是能看出来一个趋势的，IOU最后基本会稳定在0.8--1的一个水平，从视频上来看，检测框的准确性确实比较一般，不知道还有么有比较好的方法去进一步提高这个精确度，这都再说了，现在就是希望感冒赶紧好起来
2.4K30发布于 2018-12-19 - 来自专栏AIGC 先锋科技
三合一检测器 | 通过CLIP编码，实现多模态检测，解决AIGC 恶意伪造内容问题！
人工智能生成内容（AIGC）技术，以文本到图像生成为代表，导致了深度伪造的恶意使用，引发了关于多媒体内容可信度的担忧。将传统伪造检测方法适应于扩散模型颇具挑战。 因此，本文提出了一种专门为扩散模型设计的伪造检测方法，称为三合一检测器。三合一检测器通过CLIP编码器融入粗粒度文本特征，并与像素域中的细粒度伪影连贯地整合，以实现全面的多模态检测。 LDM[11]通过交叉注意力机制调节输入扩散模型，并 Proposal 引入带有潜在空间的潜在扩散模型。 然而，随着扩散建模的快速发展，一个用于检测扩散模型生成图像的通用且健壮的检测器尚未被开发出来。 广泛的实验验证了所提出的Trinity检测器方法在检测由扩散模型生成的图像方面，与其他方法相比具有更好的检测性能、鲁棒性和泛化能力。
98610编辑于 2024-07-08 - 来自专栏机器学习与生成对抗网络
CVPR 2024 | 图像检测类（目标、deepfake、异常）！AIGC扩散模型diffusion解决detection任务
目前已有的高性能三维物体检测器通常在骨干网络和预测头中构建密集特征图。然而，随着感知范围增加，密集特征图带来的计算成本呈二次增长，使得这些模型很难扩展到长距离检测。 最近一些研究尝试构建完全稀疏的检测器来解决这个问题，然而所得模型要么依赖于复杂的多阶段流水线，要么表现不佳。 本文提出 SAFDNet，简单高效，专为完全稀疏的三维物体检测而设计。 ，验证 SAFDNet 在需要长距离检测的场景中的有效性。 在 Argoverse2 上，SAFDNet 在速度上比先前最好的混合检测器 HEDNet 快 2.1 倍，并且相对于先前最好的稀疏检测器 FSDv2 提高了 2.1% 的 mAP，速度提高了 1.3 来自目标检测任务的实验结果凸显了 DetDiffusion 在布局导向生成方面的出色性能，显著提高了下游检测性能。
2.8K10编辑于 2024-04-12 - 来自专栏毕业设计
YOLO+OpenClaw+AIGC缺陷生成：破解工业检测“数据荒”的低代码方案
YOLO+OpenClaw+AIGC缺陷生成：破解工业检测“数据荒”的低代码方案没有缺陷数据，就创造缺陷数据。AIGC生成+云端调度，让工业质检模型告别“营养不良”。大家好，我是AI小怪兽。 现在检测效果一塌糊涂。”这几乎是所有工业质检项目的共同困境：缺陷难收集，种类不平衡，数据永远不够。 今天我就结合工业缺陷检测场景，展示一套低代码落地路径：AIGC缺陷生成 + YOLO检测 + OpenClaw自动调度，让模型从“吃不饱”变“吃得好”。一、工业质检的“数据荒”有多严重？ AIGC生成缺陷数据 2. YOLO模型训练 3. 先别盯着“真实数据不够”叹气，用AIGC创造缺陷数据，让模型吃上“营养餐”，立刻就能提升检测效果。
29610编辑于 2026-04-07 - 来自专栏深度学习和计算机视觉
来了，使用YOLOv11目标检测的详细教程
YOLO11 是 Ultralytics YOLO 系列的最新版本，结合了尖端的准确性、速度和效率，用于目标检测、分割、分类、定向边界框和姿态估计。 主要特点 增强的特征提取：YOLO11 使用改进的主干和颈部架构来增强特征提取，以实现更精确的目标检测和复杂任务的性能。 跨环境的适应性：YOLO11 可以无缝部署在边缘设备、云平台和配备 NVIDIA GPU 的系统上，确保最大的灵活性。 支持广泛的任务范围：YOLO11 支持各种计算机视觉任务，如目标检测、实例分割、图像分类、姿态估计和定向目标检测（OBB）。 我将在这个数据集中训练一个有 8 种不同寄生虫类别的目标检测模型。我将通过 Roboflow 处理标记、分类的图像。我经常在我的个人项目中使用这个开源平台。
12.6K21编辑于 2025-01-13
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