摘要:
动态称重数据处理算法及其在禽蛋和类球形水果分选中的应用研究 - 浙江大学 1.) 文献45中: 2. 该论文的研究点: 阅读全文
摘要:
1. 点云的数据拼接; 2. 点云的目标检测与语义分割; 3.点云的目标跟踪; 4. 语音分隔; 1. 点云的空间划分与搜索操作:kdtree/octree 1. 过滤、采样一致性算法; 2. 深度图像、与点云数据的区别及转换关系; 如:点云-->深度图像-->图像边缘提取. 3. 点云特征描述与提 阅读全文
摘要:
1. 截取图像的ROI区域并保存 1 import cv2 2 3 img_01 = cv2.imread("E:\\zpp\\ImageLabel\\test\\0.jpg") 4 5 # img_01_gray = cv2.cvtColor(img_01, cv2.COLOR_BGR2GRAY) 阅读全文
摘要:
1. PointNet论文理解: https://blog.csdn.net/phosphenesvision/article/details/106724377?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromM 阅读全文
摘要:
1 # -*- coding:utf-8 -*- 2 3 import cv2 4 import os 5 6 7 images = 'D:\\sunway-AI\\Video_Frame\\' 8 if not os.path.exists(images): 9 os.mkdir(images) 阅读全文
摘要:
1. Pytorch的nn.DataParallel 参考:https://zhuanlan.zhihu.com/p/102697821 阅读全文
摘要:
1 import torch 2 import torchvision 3 import torch.nn as nn 4 import torch.utils.data as Data 5 import matplotlib.pyplot as plt 6 from torch.autograd 阅读全文
摘要:
依赖锚框: YOLO v2 针对YOLO v1的不足, 2016年诞生了YOLO v2。 相比起第一个版本, YOLO v2预测更加精准(Better) 、 速度更快(Faster) 、 识别的物体类别也更多(Stronger) , 在VOC 2007数据集上可以得到mAP 10%以上的提升效果。 阅读全文
摘要:
Faster RCNN算法利用了两阶结构, 先实现感兴趣区域的生成, 再进行精细的分类与回归, 虽出色地完成了物体检测任务, 但也限制了其速度, 在更追求速度的实际应用场景下, 应用起来仍存在差距。 在此背景下, YOLO v1算法利用回归的思想, 使用一阶网络直接完成了分类与位置定位两个任务, 速 阅读全文
摘要:
本节将对SSD算法进行总结, 并介绍多个基于SSD的改进算法。 1. 审视SSD SSD实现了一个较为优雅、 简洁的物体检测框架, 使用了一阶网络即完成了物体检测任务, 达到了同时期物体检测的较高水平。 总体上,SSD主要有以下3个优点: ·由于利用了多层的特征图进行预测, 因此虽然是一阶的网络, 阅读全文