计算机视觉

首页 标签 计算机视觉
# 计算机视觉 #
关注
25992内容
【计算机视觉必读干货】图像分类、定位、检测,语义分割和实例分割方法梳理
本文作者来自南京大学计算机系机器学习与数据挖掘所(LAMDA),本文直观系统地梳理了深度学习在计算机视觉领域四大基本任务中的应用,包括图像分类、定位、检测、语义分割和实例分割。
深度学习项目实战——“年龄预测”
学了那么多深度学习的基本知识,还在发愁没有地方展示自己学过的知识?来试试这个简单的实际问题吧!
总结工作中常用到的linux命令
常用解压命令 tar.bz2 命令: tar -jxvf  *.tar.bz2 tar.z   命令: tar -zxvf  *.tar.z tar.gz   命令: tar -Zxvf  *.
新颖训练方法——用迭代投影算法训练神经网络
本文介绍了一种利用迭代投影算法对神经网络进行训练的方法,首先介绍了交替投影的基础知识,说明投影方法是寻找非凸优化问题解决方案的一种有效方法;之后介绍了差异图的基础知识,将差异图与一些其他算法相结合使得差分映射算法能够收敛于一个好的解决方案;当投影的情况变多时,介绍了分治算法,最后将迭代投影算法应用到神经网络训练中,给出的例子实验结果表明效果不错。
阿里云人脸识别使用流程简介
之前写过一篇关于Java 使用阿里云人脸识别的博客,介绍了如何使用网络及本地图片基于Rest API调用人脸识别服务。实际的使用中发现很多用户因为之前没有使用过人脸识别,对前期的一些参数配置还是不太清楚。这里对人脸识别整个使用流程做一个梳理,为初次使用的用户提供参考。
【新智元干货】计算机视觉必读:目标跟踪、网络压缩、图像分类、人脸识别等
深度学习目前已成为发展最快、最令人兴奋的机器学习领域之一。本文以计算机视觉的重要概念为线索,介绍深度学习在计算机视觉任务中的应用,包括网络压缩、细粒度图像分类、看图说话、视觉问答、图像理解、纹理生成和风格迁移、人脸识别、图像检索、目标跟踪等。
中国团队夺得MegaFace百万人脸识别冠军,精度98%再创记录,论文代码+数据全开源
在知名的人脸识别评测 LFW 中,很多团队都取得了接近乃至超过 99.80% 的成绩。但是在大规模人脸识别中,挑战依然存在。例如MegaFace百万人脸识别挑战,即便在 LFW 上表现良好的模型也常常只能达到 60% 多的精度。
理解卷积神经网络的利器:9篇重要的深度学习论文(上)
为了更好地帮助你理解卷积神经网络,在这里,我总结了计算机视觉和卷积神经网络领域内许多新的重要进步及有关论文。
SLAM+AR 技术与应用的一些思考
图像处理领域涉及AR的技术可以抽象为这么一类技术:通过图像和其他传感器信息计算摄像机的位置和图像内环境三维结构信息,并结合3D渲染提供更自然的人机交互能力。
免费试用