电视原理.第一章黑白电视原理1.1光和视觉特性1.2黑白电视系统组成原理1.3电视扫描与同步1.4黑白全电视信号1.5电视图象的基本参量第二章色度学与彩色电视 2.1光与颜色2.2颜色的计量系统2.3电视中彩色的分解与重现2.4电视RGB计色制与彩色正确重现第三章彩色电视制式 3.1概述3.2兼容制彩色电视基础3.3NTSC制3.4PAL制3.5SECAM制简介第四章电视摄像与发送技术 4.1广播电视系统的组成4.2电视摄像机4.3摄象器件4.4电视图像信号的处理4.5同步信号的形成4.6PAL全电视信号的形成4.7电视信号的发送第五章电视接收技术5.1电视接收技术概论5.2高频调谐器5.3图象通道电路5.4解码电路5.5同步分离电路5.6扫描电路5.7显象管及其附属电路第六章电视新技术概论6.1卫星电视广播6.2数字电视6.3高清晰度电视（HDTV)6.4共用天线电视（CATV）系统6.5电视多工广播6.6立体电视
2023/8/1 21:01:11
16.69MB
1
基于视觉的三维重建仍然存在较大局限性。
通过介绍基于视觉的三维重建技术的主要方法及其研究现状，对各种方法优缺点进行了比较分析，期望能够对该领域有较全面的把握，进一步明确未来的研究方向。
通过介绍基于视觉的三维重建技术的主要方法及其研究现状，对各种方法优缺点进行了比较分析，期望能够对该领域有较全面的把握，进一步明确未来的研究方向。
2023/7/31 2:29:46
338KB
1
EPSON机器人第三方相机校准步骤EPSON机器人视觉识别第三方相机校准电子版下载
2023/7/30 22:10:43
1.35MB
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
在本文中我们展示在人类视觉中一种有效的色彩外观模型，其中也包含原则性的参数选择作为一种先天的空间联合机制，可以被推广以获得优于最新技术的显着性模型楷模。
尺度积分是通过逆小波变换实现的通过一系列比例加权中心环绕响应。
比例加权函数（称为ECSF）已被优化以更好地复制心理物理数据颜色的外观，和适当的尺寸中心环绕抑制窗口已被确定通过对眼睛固定数据训练高斯混合模型，从而避免了特别的参数选择。
论文：SaliencyEstimationUsingaNon-ParametricLow-LevelVisionModel
尺度积分是通过逆小波变换实现的通过一系列比例加权中心环绕响应。
比例加权函数（称为ECSF）已被优化以更好地复制心理物理数据颜色的外观，和适当的尺寸中心环绕抑制窗口已被确定通过对眼睛固定数据训练高斯混合模型，从而避免了特别的参数选择。
论文：SaliencyEstimationUsingaNon-ParametricLow-LevelVisionModel
2023/7/29 13:55:02
105KB
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
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