通过两个实验探讨了视觉表象任务信息的通达对表象加工眼动的影响。
结果表明,在低通达条件下,表象任务的眼动复制了知觉任务的眼动;随着表象任务信息通达水平的提高,眼动的注视点平均持续时间、平均眼跳距离和平均眼跳时间会发生规律性变化;眼动控制与任务信息通达水平对表象眼动的影响存在不同的机制。
实验结果佐证了眼动在视觉表象中起机能性作用的观点。

在双目视觉图像处理过程中所使用的图像标准模版，分左右两套

https://assetstore.unity.com/packages/vfx/shaders/fullscreen-camera-effects/beautify-2-163949此资源包含3个资源包：-对内置管线进行美化-对后期处理栈v2（兼容LWRP）进行美化-对通用渲染管线进行美化（对集成后期处理提供原生支持-无需使用PPSv2！（正在寻找HDRP？点击此处）。
Beautify2是一款全屏图像后期处理特效，可实时改善图像质量，和生成极其鲜明生动的场景。
主要功能：•强化视觉特征，修复或增强图像细节，生成清晰图像-通常会产生巨大变化，就像切换到高清版本。
•必要时优化像素颜色，同时不使图像过于饱和。
•消除由抗锯齿后特效造成的多余模糊部分。
•减少或完全消除渐变色中的环状纹理，由于颜色量化通常能在天空盒里看到。
•改善感知纹理质量-就算纹理分辨率低，视觉效果也能改善。
•支持正向和延迟渲染通道，以及线性和Gamma颜色空间。
•支持WebGL、移动端、2D和3D。
•VR多通道、单通道立体声和单通道实例化均在内置管线中支持。
•VR多通道在PPSv2版中支持。

视觉跟踪技术作为计算机视觉领域的热门课题之一，是对连续的图像序列进行运动目标检测、提取特征、分类识别、跟踪滤波、行为识别，以获得目标准确的运动信息参数（如位置、速度等），并对其进行相应的处理分析，实现对目标的行为理解。
视觉跟踪是指对图像序列中的运动目标进行检测、提取、识别和跟踪，获得运动目标的运动参数，如位置、速度、加速度和运动轨迹等，从而进行下一步的处理与分析，实现对运动目标的行为理解，以完成更高一级的检测任务。

 关于图形图像处理的问题一直是多年来研究的话题，在信息技术高速发展的今天，图像的处理已应用到社会的各个领域。
图像分割就是为了某一特定目的，通过一定的方法把图像按照其特征分成各具特性的区域，提取出感兴趣目标的技术和过程，进而再对目标区域进行研究。
它是图像处理、模式识别和人工智能等多个领域中的关键课题，也是计算机处理视觉技术的首要的、关键的关键步骤。
图像分割的应用非常广泛，几乎出现在关于图像处理的所有领域。
因此，从20世纪60年代以来，图像分割一直都是图像研究技术的热点。

NI_Vision_Builder_AI

opencv3计算机视觉python实现，电子版图书，入门必读。

视觉计算理论（D.马尔），书稍有点老，是扫描的，有点点模糊，下载前请权衡清楚。

DeepLearningToolbox™提供了一个框架，用于设计和实现具有算法，预训练模型和应用程序的深度神经网络。
您可以使用卷积神经网络（ConvNets，CNN）和长期短期记忆（LSTM）网络对图像，时间序列和文本数据进行分类和回归。
应用程序和图表可帮助您可视化激活，编辑网络体系结构以及监控培训进度。
对于小型训练集，您可以使用预训练的深层网络模型（包括SqueezeNet，Inception-v3，ResNet-101，GoogLeNet和VGG-19）以及从TensorFlow™-Keras和Caffe导入的模型执行传输学习。
了解深度学习工具箱的基础知识深度学习图像从头开始训练卷积神经网络或使用预训练网络快速学习新任务使用时间序列，序列和文本进行深度学习为时间序列分类，回归和预测任务创建和训练网络深度学习调整和可视化绘制培训进度，评估准确性，进行预测，调整培训选项以及可视化网络学习的功能并行和云中的深度学习通过本地或云中的多个GPU扩展深度学习，并以交互方式或批量作业培训多个网络深度学习应用通过计算机视觉，图像处理，自动驾驶，信号和音频扩展深度学习工作流程深度学习导入，导出和自定义导入和导出网络，定义自定义深度学习图层以及自定义数据存储深度学习代码生成生成MATLAB代码或CUDA®和C++代码和部署深学习网络函数逼近和聚类使用浅层神经网络执行回归，分类和聚类时间序列和控制系统基于浅网络的模型非线性动态系统;使用顺序数据进行预测。

这是一种图像视觉显著性提取方法，对应文献S.Goferman,L.Zelnik-Manor,andA.Tal,“Context-awaresaliencydetection,”inIEEECVPR,2010,pp.2376–2383.该文献中的模型同时考虑了图像的局部特征和全局特征，克服了显著区域范围是固定模型以及区域只考虑到前景图像，忽视含有信息量的背景信息的做法，能提取出显著区域轮廓，利于后续处理，但是需要计算图像中每个像素点相当于局部区域的显著性，计算量较大。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。