今天在网上看到有人介绍一本新出的书，叫做ComputerVisionforVisualEffects。
现在的很多大片例如阿凡达等，里面的特效制作都使用了大量的计算机视觉技术。
这本书就是用来介绍如何使用现在最先进的计算机视觉技术来制作电影电视特效。
在书中，首先介绍了好莱坞特效制作中设计到的基本的计算机视觉算法，例如蓝色背景图像matting，SFM，光流，特征点跟踪等。
也介绍了一些最近发展的新算法，这些都可能被用于未来的电影特效中，例如自然图像matting，多图像合成，图像中目标的重定位，以及视点模拟等。
书中也介绍了运动捕捉和3D数据获取的原理。
全书使用了超过200张原始图像来展示原理，算法，以及结果。
同时还有好莱坞视觉特效专家的采访。
这本书于2012年秋天由剑桥大学出版社出版。
获取方式可以参考作者主页。
同时，博主发现网上也可以下载到这本书。
大家可以自己上网搜索一下。
作者的主页上还放上了书中涉及到的一些有用的代码，供大家参考
现在的很多大片例如阿凡达等，里面的特效制作都使用了大量的计算机视觉技术。
这本书就是用来介绍如何使用现在最先进的计算机视觉技术来制作电影电视特效。
在书中，首先介绍了好莱坞特效制作中设计到的基本的计算机视觉算法，例如蓝色背景图像matting，SFM，光流，特征点跟踪等。
也介绍了一些最近发展的新算法，这些都可能被用于未来的电影特效中，例如自然图像matting，多图像合成，图像中目标的重定位，以及视点模拟等。
书中也介绍了运动捕捉和3D数据获取的原理。
全书使用了超过200张原始图像来展示原理，算法，以及结果。
同时还有好莱坞视觉特效专家的采访。
这本书于2012年秋天由剑桥大学出版社出版。
获取方式可以参考作者主页。
同时，博主发现网上也可以下载到这本书。
大家可以自己上网搜索一下。
作者的主页上还放上了书中涉及到的一些有用的代码，供大家参考
2023/8/14 21:15:08
14.67MB
1
自计算机视觉产生开始，视觉信息则自动成为其处理的对象。
纹理特征作为视觉信息的重要部分，成为图像特征提取的重点。
针对纹理特征提取中，传统LBP算法作为一种基于灰度的算法，仅仅局限对低分辨率图片，其识别率通常比较低的问题，提出一种基于小波变换的LBP算法。
该算法利用小波变换的局部特性、方向性和多方向性等特点，并结合LBP算法自身具有的旋转不变形、灰度不变形等特点，从而通过小波变换对高分辨率图片的分解，再通过局部二值模式的优势，从而实现对图像纹理特征的提取。
最后通过MATLAB软件编程与ORL数据库的对比测试，改进算法的识别率明显优于传统LBP算法。
纹理特征作为视觉信息的重要部分，成为图像特征提取的重点。
针对纹理特征提取中，传统LBP算法作为一种基于灰度的算法，仅仅局限对低分辨率图片，其识别率通常比较低的问题，提出一种基于小波变换的LBP算法。
该算法利用小波变换的局部特性、方向性和多方向性等特点，并结合LBP算法自身具有的旋转不变形、灰度不变形等特点，从而通过小波变换对高分辨率图片的分解，再通过局部二值模式的优势，从而实现对图像纹理特征的提取。
最后通过MATLAB软件编程与ORL数据库的对比测试，改进算法的识别率明显优于传统LBP算法。
2023/7/30 13:38:49
730KB
1
培训关于批处理AI的分布式培训此仓库是有关如何使用BatchAI以分布式方式训练CNN模型的教程。
涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。
图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。
对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。
在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。
在这些情况下使用分布式培训有助于缩短培训时间。
在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50CNN模型。
本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。
有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。
当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。
在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。
每个设备都
涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。
图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。
对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。
在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。
在这些情况下使用分布式培训有助于缩短培训时间。
在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50CNN模型。
本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。
有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。
当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。
在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。
每个设备都
2023/7/28 19:18:56
437KB
1
双目立体视觉技术模拟人类双眼处理景物的方式，运用双目摄像头从不同角度同时获取目标物的左右两幅数字图像，综合应用相机标定、特征点检测、立体匹配、三维重建等关键技术还原出物体的三维几何信息。
以双目立体视觉作为出发点，可以将其广泛应用于机器人导航与避障、空间测绘以及三维重建等领域。
因此，双目立体视觉是计算机视觉的关键技术之一，具有非常广阔的应用前景和很深的研究价值。
以双目立体视觉作为出发点，可以将其广泛应用于机器人导航与避障、空间测绘以及三维重建等领域。
因此，双目立体视觉是计算机视觉的关键技术之一，具有非常广阔的应用前景和很深的研究价值。
2023/7/27 2:14:32
21.18MB
1
最近的研究表明，稀疏表示（SR）可以很好地解决许多计算机视觉问题，并且其内核版本具有强大的分类能力。
在本文中，我们解决了协作SR在半监督图像注释中的应用，该方法可以增加标记图像的数量，以进一步用于训练图像分类器。
给定一组标记的（训练）图像和一组未标记的（测试）图像，通常的SR方法（我们称为正向SR）用于用几个标记的图像表示每个未标记的图像，然后根据这些标记的注释的注释。
但是，就我们所知，SR方法是在相反的方向上进行的，即我们称呼后向SR来用几个未标记图像表示每个标记图像，然后根据标记图像的注释对任何未标记图像进行注释，即未标记图像由后向SR选择表示，到目前为止尚未解决。
在本文中，我们探
在本文中，我们解决了协作SR在半监督图像注释中的应用，该方法可以增加标记图像的数量，以进一步用于训练图像分类器。
给定一组标记的（训练）图像和一组未标记的（测试）图像，通常的SR方法（我们称为正向SR）用于用几个标记的图像表示每个未标记的图像，然后根据这些标记的注释的注释。
但是，就我们所知，SR方法是在相反的方向上进行的，即我们称呼后向SR来用几个未标记图像表示每个标记图像，然后根据标记图像的注释对任何未标记图像进行注释，即未标记图像由后向SR选择表示，到目前为止尚未解决。
在本文中，我们探
2023/7/14 21:28:31
768KB
1
目标检测（ObjectDetection）是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。
近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测，技术本文总结了近十年来的深度学习目标检测算法
近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测，技术本文总结了近十年来的深度学习目标检测算法
2023/7/11 4:48:13
6.09MB
1
来自知乎专栏。
。
我保存成pdf了，A4大小，方便打印。
分享给各位。
深度学习；
计算机视觉。
斯坦福大学李飞飞计算机视觉公开课笔记，翻译版本。
。
我保存成pdf了，A4大小，方便打印。
分享给各位。
深度学习；
计算机视觉。
斯坦福大学李飞飞计算机视觉公开课笔记，翻译版本。
2023/7/5 22:35:23
4.86MB
1
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。
2024-04-09 15:03
15KB