搜索 - 腾讯云开发者社区-腾讯云

文章/答案/技术大牛

发布

来自专栏刘笑江的专栏
Optical Flow
我们可以计算出九个点的 image.png ，用这九个点的梯度值，求两个未知数 image.png ，写成矩阵形式如下 image.png [1] OpenCV: Optical Flow URL
65610发布于 2019-12-30
来自专栏数学与计算机
Opencv----Optical Flow
这里应用Lucas-kannade方法, 获得了带尺度的光流 Lucas-Kanade optical flow in opencv 所有这些在一个函数中提供: cv.calcOpticalFlowPyrLK s %(message)s') parser = argparse.ArgumentParser(description='This sample demonstrates Lucas-Kanade Optical minDistance=7, blockSize=7) # Parameters for lucas kanade optical frame is None: break frame_gray = cv.cvtColor(frame, cv.COLOR_BGR2GRAY) # calculate optical
1.5K10发布于 2019-11-25
来自专栏光芯前沿
Google: Whats Next for Optical Switching?
在iedm 2025会议上，Google团队发表了题目为What's Next for Optical Switching?
34821编辑于 2025-12-21
来自专栏计算机视觉理论及其实现
Object Detection in Optical Remote Sensing Images: A Survey and A New Benchmark
最近已作出大量努力，提出光学遥感图像中的各种目标检测方法。然而，目前对光学遥感图像中目标检测的数据集调查和基于深度学习的方法还不够完善。此外，现有的数据集大多存在一些不足之处，如图像和目标类别数量较少，图像多样性和变异性不足。这些局限性极大地影响了基于深度学习的目标检测方法的发展。本文综述了近年来计算机视觉和地球观测领域基于深度学习的目标检测研究进展。然后，我们提出了一个大规模、公开可用的光学遥感图像目标检测基准，我们将其命名为DIOR。数据集包含23463张图像和190288个实例，覆盖20个目标类。建议的DIOR数据集1)在目标类别、目标实例数量和总图像数量上都是大规模的;2)具有大范围的对象尺寸变化，不仅在空间分辨率方面，而且在跨目标的类间和类内尺寸变化方面;3)由于成像条件、天气、季节、成像质量的不同，成像结果差异较大;4)具有较高的类间相似性和类内多样性。提出的基准可以帮助研究人员开发和验证他们的数据驱动方法。最后，我们评估了DIOR数据集中的几种最先进的方法，为未来的研究奠定了基础。
7.6K54编辑于 2022-09-03
来自专栏Mac软件
Optical Flares for Mac(AE镜头光晕插件)1.3.7激活版
optical flares mac版是一款AE镜头光晕插件，经过它添加的动态图像画面逼真柔和，像一些会用到灯光方面的场景，这款插件还可以帮助建立体积光照明。 Optical Flares下载可以实现图像快速渲染操作。并且能够实现多种绚丽的光晕特效，支持多个ae版本程序。立即下载：https://www.macw.com/cj/62.html?
98410编辑于 2022-08-25
来自专栏计算机视觉理论及其实现
3D Imaging Using Extreme Dispersion in Optical Metasurfaces
由于超表面对入射光的相位、偏振和振幅的极端控制，因此具有革新成像技术的潜力。它们依靠增强的光的局部相互作用来实现所需的相位轮廓。由于光的局部相互作用增强，超表面是高度色散的。这种强分散被认为是实现常规超表面成像的主要限制。在这里，我们认为这种强色散为计算成像的设计自由度增加了一个程度，潜在地打开了新的应用。特别是，我们利用超表面的这种强分散特性，提出了一种紧凑、单镜头、被动的3D成像相机。我们的设备由一个金属工程，聚焦不同的波长在不同的深度和两个深度网络，恢复深度和RGB纹理信息从彩色，散焦图像获得的系统。与其他基于元表面的3D传感器相比，我们的设计可以在更大的视场(FOV)全可见范围内运行，并可能生成复杂3D场景的密集深度图。我们对直径为1毫米的金属的模拟结果表明，它能够捕获0.12到0.6米范围内的3D深度和纹理信息。
1.9K20编辑于 2022-09-02
来自专栏云深之无迹
英伟达Optical Flow SDK（光流追踪）
难过的好像是真的首先需要是CUDA https://docs.nvidia.com/video-technologies/optical-flow-sdk/read-me/index.html SDK内的东西 Nv是Nvidia的意思，OF是optical-flow的意思。
2.1K20编辑于 2022-01-05
来自专栏光芯前沿
OCP Optical BoW 2.1光互连规范解析
四、OCP Optical Bunch of Wire 2.1技术方案 4.1 设计目标与核心挑战 - 目标：实现低功耗、高带宽的芯片间光互联，支持液冷架构下的72 GPU集群。 4.3 系统架构设计基于上述分析，OCP的Optical Bunch of Wire选择了线性驱动架构：ASIC集成Bunch of Wire TX chiplet，电信号经少量均衡和驱动后转换为光信号 4.4 生态协作呼吁 OCP Optical Bunch of Wire 2.1的标准化需行业参与，共同确定SNR预算、时钟抖动容限（如<1ps）、RF损耗与ISI补偿策略，以及电源管理和边信道设计等六、结论与未来展望光学链路已成为突破电连接极限的关键技术，OCP Optical Bunch of Wire 2.1通过线性驱动+共封装光学架构，在功率效率、带宽密度与延迟之间取得平衡，为下一代大规模算力集群提供互联基础
33100编辑于 2025-06-28
来自专栏硅光技术分享
OFC2024: Intel发布最新optical IO进展
这篇笔记介绍下Intel在optical IO的最新进展，先睹为快。原文链接见https://community.intel.com/t5/Blogs/Tech-Innovation/Artificial-Intelligence-AI/Intel-Shows-OCI-Optical-I-O-Chiplet-Co-packaged-with-CPU-at Intel并没有直接沿用optical IO的命名，而是采用了一个新的名词optical compute interconnect(OCI)，即计算光互联，利用光连接实现计算芯片的互联。 Intel能否后发先至，充分发挥其硅光平台优势，引领optical IO领域，实现计算光互联技术的突破与广泛应用？文章中如果有任何错误和不严谨之处，还望大家不吝指出，欢迎大家留言讨论。
2.6K20编辑于 2024-03-26
来自专栏硅光技术分享
三星提出在HBM芯片中引入Optical IO
在2023 OCP全球峰会上，三星提出了在HBM与Logic芯片间采用Optical IO技术进行数据互联，并给出了两个可能的芯片架构，如下图所示。先解释下什么是HBM。三星提出了基于Optical IO的两个方案。 (图片来自文献1) 而三星的第二种方案，在逻辑芯片和HBM芯片中分别引入Optical IO, 电信号通过Optical IO转换为光信号，进而通过光纤传递到远处的HBM处，实现Logic芯片与HBM芯片间将Optical IO的概念引入到存储芯片中，是一个很自然的想法，而且结合当前生成式AI中大模型训练任务对高带宽、大容量内存的需求，也许HBM的光互连更容易落地。 TSMC、Samsung、Nvidia等芯片巨头的入局，也许会加速Optical IO技术推广与的产业化进程。就让我们拭目以待！
1.3K10编辑于 2023-12-06
来自专栏机器学习、深度学习
CNN光流计算--FlowNet: Learning Optical Flow with Convolutional Networks
FlowNet: Learning Optical Flow with Convolutional Networks ICCV2015 Code: https://lmb.informatik.uni-freiburg.de
1.5K70发布于 2019-05-26
来自专栏硅光技术分享
Intel实现5.12Tbp带宽的Optical IO 链路演示
Intel最近报道了其与Ayar Labs的最新合作成果，他们使用FPGA与硅光芯片构成optical IO链路，首次验证了5.12Tbps带宽的信号互联。这篇笔记主要对这一进展做些介绍。 (图片来自文献1）以上是对Intel的5.12Tbps optical IO这一进展的简单介绍，相比于OFC2021上的报道，此次报道添加了系统的实测链路数据，OFC2021上更多的是封装的热仿真结果虽然Optical IO的概念提出了很久，但是更多的是光学链路的演示结果，Intel的该进展首次实现了FPGA-optics-FPGA链路的演示，并且误码率达到了1e-11，功耗小于5pJ/bit，是Optical
1.7K40编辑于 2022-12-02
来自专栏计算机视觉理论及其实现
ORSIm：A Novel Object Detection Framework in Optical Remote Sensing Imagery Using Spatial-Feature
近年来，随着星载成像技术的飞速发展，光学遥感图像中的目标检测受到了广泛的关注。虽然许多先进的研究工作都使用了强大的学习算法，但不完全特征表示仍然不能有效地、高效地处理图像变形，尤其是目标缩放和旋转。为此，我们提出了一种新的目标检测框架，称为光学遥感图像检测器(ORSIm检测器)，它集成了多种通道特征提取、特征学习、快速图像金字塔匹配和增强策略。ORSIm检测器采用了一种新颖的空频信道特征(SFCF)，它综合考虑了频域内构造的旋转不变信道特征和原始的空间信道特征(如颜色信道和梯度幅度)。随后，我们使用基于学习的策略对SFCF进行了改进，以获得高级或语义上有意义的特性。在测试阶段，通过对图像域中尺度因子的数学估计，实现了快速粗略的通道计算。对两种不同的机载数据集进行了大量的实验结果表明，与以往的先进方法相比，该方法具有优越性和有效性。
59210编辑于 2022-09-23
来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine ——MOD08_M3 V6是一个大气全球产品，包含每月1×1度网格的大气参数平均值。这些参数与大气气溶胶颗粒特性、臭氧总负荷、大气水汽、云的光学和物理特性
Aerosol optical thickness at 0.55 microns for both ocean (best) and land (corrected): mean of daily mean -100 5000 0.001 Aerosol_Optical_Depth_Land_Ocean_Std_Deviation_Mean Aerosol optical thickness at 0.001 Aerosol_Optical_Depth_Land_QA_Std_Deviation_Mean_470 Corrected aerosol optical depth (land) at Liquid water cloud optical thickness: mean of daily log mean 0 4176 0.001 Cloud_Optical_Thickness_Liquid_Log_Std_Deviation_Mean Liquid water cloud optical thickness: mean of daily log standard deviation 0 4176 0.001 Cloud_Optical_Thickness_Liquid_Mean_Uncertainty
25910编辑于 2024-02-02
来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
NASA数据集——NASA 标准三级（L3）每月深蓝气溶胶产品提供了全球陆地和海洋上空气溶胶光学厚度（AOT）
_Land_Count Aerosol_Optical_Thickness_550_Land_Maximum Aerosol_Optical_Thickness_550_Land_Mean Aerosol_Optical_Thickness Aerosol_Optical_Thickness_550_Land_Ocean_Mean Aerosol_Optical_Thickness_550_Land_Ocean_Minimum Aerosol_Optical_Thickness _550_Ocean_Count Aerosol_Optical_Thickness_550_Ocean_Maximum Aerosol_Optical_Thickness_550_Ocean_Mean Spectral_Aerosol_Optical_Thickness_Land_Mean Spectral_Aerosol_Optical_Thickness_Land_Standard_Deviation Spectral_Aerosol_Optical_Thickness_Ocean_Count Spectral_Aerosol_Optical_Thickness_Ocean_Mean Spectral_Aerosol_Optical_Thickness_Ocean_Standard_Deviation
34510编辑于 2024-05-04
来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine ——MOD08_M3 V6是一个大气全球产品，包含每月1×1度网格的大气参数平均值。包含气溶胶颗粒特性、臭氧总负荷、大气水汽、云的光学和物理特性以及大气稳定性等
Aerosol optical thickness at 0.55 microns for both ocean (best) and land (corrected): mean of daily mean -100 5000 0.001 Aerosol_Optical_Depth_Land_Ocean_Std_Deviation_Mean Aerosol optical thickness at 0.001 Aerosol_Optical_Depth_Land_QA_Std_Deviation_Mean_470 Corrected aerosol optical depth (land) at Liquid water cloud optical thickness: mean of daily log mean 0 4176 0.001 Cloud_Optical_Thickness_Liquid_Log_Std_Deviation_Mean Liquid water cloud optical thickness: mean of daily log standard deviation 0 4176 0.001 Cloud_Optical_Thickness_Liquid_Mean_Uncertainty
28210编辑于 2024-02-02
来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
NASA数据集——VIIRS每日 L3深蓝气溶胶网格产品（AERDB_D3_VIIRS_SNPP），以 1 x 1 度
_Land_Count Aerosol_Optical_Thickness_550_Land_Maximum Aerosol_Optical_Thickness_550_Land_Mean Aerosol_Optical_Thickness Aerosol_Optical_Thickness_550_Land_Ocean_Mean Aerosol_Optical_Thickness_550_Land_Ocean_Minimum Aerosol_Optical_Thickness _550_Ocean_Count Aerosol_Optical_Thickness_550_Ocean_Maximum Aerosol_Optical_Thickness_550_Ocean_Mean Spectral_Aerosol_Optical_Thickness_Land_Mean Spectral_Aerosol_Optical_Thickness_Land_Standard_Deviation Spectral_Aerosol_Optical_Thickness_Ocean_Count Spectral_Aerosol_Optical_Thickness_Ocean_Mean Spectral_Aerosol_Optical_Thickness_Ocean_Standard_Deviation
22210编辑于 2024-05-04
来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
NASA数据集——2018-2024年VIIRS/NOAA20 深蓝 3 级每日气溶胶数据，1x1 度网格
_550_Land_Maximum Aerosol_Optical_Thickness_550_Land_Mean Aerosol_Optical_Thickness_550_Land_Minimum Aerosol_Optical_Thickness_550_Land_Ocean_Count Aerosol_Optical_Thickness_550_Land_Ocean_Maximum Aerosol_Optical_Thickness Aerosol_Optical_Thickness_550_Land_Standard_Deviation Aerosol_Optical_Thickness_550_Ocean_Count Aerosol_Optical_Thickness _550_Ocean_Maximum Aerosol_Optical_Thickness_550_Ocean_Mean Aerosol_Optical_Thickness_550_Ocean_Minimum Spectral_Aerosol_Optical_Thickness_Ocean_Count Spectral_Aerosol_Optical_Thickness_Ocean_Mean Spectral_Aerosol_Optical_Thickness_Ocean_Standard_Deviation
39710编辑于 2024-05-04
来自专栏硅光技术分享
ChatGPT眼中的硅光技术
Optical sensing: Silicon photonics can be used to develop highly sensitive optical sensors, which are Optical interconnects: Silicon photonics can be used to develop optical interconnects for high-speed ChatGPT的这个回答基本到位，硅光的主要应用方向包括：数据中心的高速光模块、光传感、生物医疗成像、Optical IO和量子通信。 to simplify the optical setup and reduces the overall size of the system. waveguide and a free-space optical beam.
1.4K40编辑于 2023-02-28
来自专栏我爱计算机视觉
CVPR 2020 论文大盘点-光流篇
前几天52CV曾经发布了一篇来自旷视研究员的光流技术相关的文章：光流估计网络调研，引起了大家的广泛关注，光流估计（Optical Flow estimation）在视频理解、动作识别、目标跟踪、全景拼接等领域具有重要应用 Black的 Secrets of Optical Flow Estimation and Their Principles，发表于2010年。本文总结CVPR 2020 中所有与光流（Optical Flow）和场景流（Scene Flow）相关论文，总计 12 篇。不仅包括新方法，也包括部分应用。来自卡内基梅隆大学的 Upgrading Optical Flow to 3D Scene Flow Through Optical Expansion 论文通过Optical Expansion将光流扩展到 Optical Flow to 3D Scene Flow Through Optical Expansion 作者 | Gengshan Yang, Deva Ramanan 单位 | 卡内基梅隆大学
1.7K50发布于 2020-07-13

第 2 页第 3 页第 4 页第 5 页第 6 页第 7 页第 8 页第 9 页第 10 页第 11 页

点击加载更多

Optical Flow

Opencv----Optical Flow

Google: Whats Next for Optical Switching?

Object Detection in Optical Remote Sensing Images: A Survey and A New Benchmark

Optical Flares for Mac(AE镜头光晕插件)1.3.7激活版

3D Imaging Using Extreme Dispersion in Optical Metasurfaces

英伟达Optical Flow SDK（光流追踪）

OCP Optical BoW 2.1光互连规范解析

OFC2024: Intel发布最新optical IO进展

三星提出在HBM芯片中引入Optical IO

CNN光流计算--FlowNet: Learning Optical Flow with Convolutional Networks

Intel实现5.12Tbp带宽的Optical IO 链路演示

ORSIm：A Novel Object Detection Framework in Optical Remote Sensing Imagery Using Spatial-Feature

Google Earth Engine ——MOD08_M3 V6是一个大气全球产品，包含每月1×1度网格的大气参数平均值。这些参数与大气气溶胶颗粒特性、臭氧总负荷、大气水汽、云的光学和物理特性

NASA数据集——NASA 标准三级（L3）每月深蓝气溶胶产品提供了全球陆地和海洋上空气溶胶光学厚度（AOT）

Google Earth Engine ——MOD08_M3 V6是一个大气全球产品，包含每月1×1度网格的大气参数平均值。包含气溶胶颗粒特性、臭氧总负荷、大气水汽、云的光学和物理特性以及大气稳定性等

NASA数据集——VIIRS每日 L3深蓝气溶胶网格产品（AERDB_D3_VIIRS_SNPP），以 1 x 1 度

NASA数据集——2018-2024年VIIRS/NOAA20 深蓝 3 级每日气溶胶数据，1x1 度网格

ChatGPT眼中的硅光技术

CVPR 2020 论文大盘点-光流篇

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐