利用opencv3.0详细实现sift算子（未调用opencv3.0和sift相关的函数），该文档自带两张图片可以测试。
本人亲测效果很好。
还有一个生成的exe文件可以直接使用验证。

kuka_SeamTech_Finding中文说明书--视觉探寻

内容为整个三维重建描述方法，以及步骤过程，矩阵如何选择，如何标定等等

基于机器视觉的机械臂分拣系统的研究

ComputerVision,AModernApproach(中文版)计算机视觉的现代方法！

SHINEtoolbox是MATLAB的脚本程序，应用于处理视觉刺激，可消除刺激图像的低阶属性差异。

Bootstrap是世界上最流行的前端开发框架之一，它主要用于构建响应式、移动优先的网页项目。
这个“手机app设计bootstrap网站模板”正是基于Bootstrap框架制作的，旨在为开发者提供一套预先设计好的界面元素和布局，以快速搭建手机应用相关的网页或网站。
Bootstrap的核心特性包括网格系统、预定义的CSS样式、JavaScript插件以及丰富的UI组件。
网格系统允许开发者通过简单的HTML标记来创建灵活的多列布局，适应不同屏幕尺寸的设备。
预定义的CSS样式则涵盖了字体、颜色、间距、按钮、表单、表格等常见网页元素，使设计风格保持一致。
JavaScript插件则提供了诸如模态框、下拉菜单、轮播图等功能，进一步丰富了交互体验。
UI组件包括导航栏、按钮组、图像轮播、警告提示等，为快速构建功能丰富的页面提供了便利。
在这个“手机app设计bootstrap网站模板”中，你可能会找到专门为手机应用展示设计的页面结构和样式。
这可能包括但不限于以下部分：1.主页：通常包含吸引人的头部区域，展示应用截图，以及简洁明了的应用介绍。
2.应用特点：分点列出应用的主要功能和特性，每个特点可以配合图标进行视觉强化。
3.屏幕截图：一连串的图片展示应用在不同设备上的界面，可能使用Bootstrap的轮播组件实现。
4.下载与安装：提供应用商店的下载链接，以及详细的安装步骤。
5.用户评价：展示用户对应用的好评，可能包括评分和评论。
6.关于我们：介绍应用背后的团队，以及开发理念和愿景。
7.联系方式：包含联系表单或者社交媒体链接，便于用户提问或反馈。
模板通常会按照Bootstrap的最佳实践进行编码，确保在各种设备上都能正常工作。
同时，为了提升用户体验，模板可能还整合了一些流行的第三方库，如jQuery、FontAwesome等，用于增强功能和美化视觉效果。
使用这个模板，开发者可以大大节省设计和编码的时间，快速打造出专业且美观的手机应用展示网站。
但请注意，尽管模板提供了很多现成的元素，仍然需要根据实际项目需求进行适当的定制和调整，以确保最终产品满足特定的品牌风格和功能需求。
同时，为了保证网页性能，合理优化图片和JavaScript资源，遵循Web性能最佳实践也是很重要的。

中国计算机视觉人才调研报告2020年

引用简单，布局简便根据设备屏幕的DPR,自动设置最合适的高清缩放。
保证了不同设备下视觉体验的一致性。
（老方案是，屏幕越大元素越大；
此方案是，屏幕越大，看的越多）有效解决移动端真实1px问题（这里的1px是设备屏幕上的物理像素）

BAT机器学习面试1000题系列1前言1BAT机器学习面试1000题系列21归一化为什么能提高梯度下降法求解最优解的速度？222归一化有可能提高精度223归一化的类型231）线性归一化232）标准差标准化233）非线性归一化2335.什么是熵。
机器学习ML基础易27熵的引入273.1无偏原则2956.什么是卷积。
深度学习DL基础易38池化，简言之，即取区域平均或最大，如下图所示（图引自cs231n）40随机梯度下降46批量梯度下降47随机梯度下降48具体步骤：50引言721.深度有监督学习在计算机视觉领域的进展731.1图像分类（ImageClassification）731.2图像检测（ImageDection）731.3图像分割（SemanticSegmentation）741.4图像标注–看图说话（ImageCaptioning）751.5图像生成–文字转图像（ImageGenerator）762.强化学习（ReinforcementLearning）773深度无监督学习（DeepUnsupervisedLearning）–预测学习783.1条件生成对抗网络（ConditionalGenerativeAdversarialNets，CGAN）793.2视频预测824总结845参考文献84一、从单层网络谈起96二、经典的RNN结构（NvsN）97三、NVS1100四、1VSN100五、NvsM102RecurrentNeuralNetworks105长期依赖（Long-TermDependencies）问题106LSTM网络106LSTM的核心思想107逐步理解LSTM108LSTM的变体109结论110196.L1与L2范数。
机器学习ML基础易163218.梯度下降法的神经网络容易收敛到局部最优，为什么应用广泛？深度学习DL基础中178@李振华，https://www.zhihu.com/question/68109802/answer/262143638179219.请比较下EM算法、HMM、CRF。
机器学习ML模型中179223.Boosting和Bagging181224.逻辑回归相关问题182225.用贝叶斯机率说明Dropout的原理183227.什么是共线性,跟过拟合有什么关联?184共线性：多变量线性回归中，变量之间由于存在高度相关关系而使回归估计不准确。
184共线性会造成冗余，导致过拟合。
184解决方法：排除变量的相关性／加入权重正则。
184勘误记216后记219

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。