基于OpenCV实战（基础知识二）
OpenCV是一个流行的开源计算机视觉库，由英特尔公司发起发展。它提供了超过2500个优化算法和许多工具包，可用于灰度、彩色、深度、基于特征和运动跟踪等的图像处理和计算机视觉应用。OpenCV主要使用C++语言编写，同时也支持Python、Java、C等语言。由于其开源和广泛使用的特点，在计算机视觉和机器学习领域得到了广泛的应用。
OpenCV实战（基础知识三）
OpenCV是一个流行的开源计算机视觉库，由英特尔公司发起发展。它提供了超过2500个优化算法和许多工具包，可用于灰度、彩色、深度、基于特征和运动跟踪等的图像处理和计算机视觉应用。OpenCV主要使用C++语言编写，同时也支持Python、Java、C等语言。由于其开源和广泛使用的特点，在计算机视觉和机器学习领域得到了广泛的应用。
YOLOv5、YOLOv8改进：BoTNet Transformer
本文提出的BoTNet是一种简单高效的网络，有效的将SA应用到多种视觉任务，如图像识别、目标检测、实例分割任务。通过将ResNet50中最后三个bottleneck模块的空间卷积替换为全局的SA操作，有效提升了基线模型在签署任务上的性能。Section I常用的CNN大多采用3x3的卷积核，鉴于卷积操作可以有效的不糊哦局部信息，但是对于一些视觉任务如目标检测、实例分割、关键点检测还需要建立长程依赖关系。比如实例分割中需要收集场景相关的信息才能学习物体之间的关系；
onnxruntime配置
runtime指的是程序运行环境，是计算机系统中负责程序运行的组件。在编写程序时，需要考虑程序与运行环境之间的交互，以及程序在运行时所需的资源和环境。在不同的编程语言中，runtime的实现方式也会有所不同。例如在Java中，runtime由Java虚拟机（JVM）实现，而在C++中，runtime可能由操作系统提供的动态链接库（DLL）实现。通常情况下，程序员不需要直接操作runtime。但是，在调试程序或优化程序性能时，需要对runtime有一定的了解和掌握。
ONNXRuntime与PyTorch哪个更快？
在网上看到一些对比ONNXRuntime与PyTorch运行效率的文章，很多人运行的结果展示出ONNX可以提升几倍的运行效率，那么究竟有没有这么神奇呢，我来试一试。这会让模型中一些inference时用不到的层也在执行。那么，在GPU环境下，使用onnxruntime的时间和PyTorch基本是一致的。可以看到，效率差异没有那么的巨大了。这里，我们可以看到，ONNX的运行时间远远小于PyTorch。但是，这里有一个重要的问题。很多文章在这样测试的时候，忽略了。系统：Ubuntu22.04。
windows下配置pcl-python
PCL（Point Cloud Library）是一个开源的、通用的点云数据处理库，它提供了大量的点云处理算法和工具，包括过滤、分割、表面重建、配准、曲线和特征提取等。PCL支持各种点云数据输入输出格式，如PCD、PLY、OBJ等，可以在各种操作系统平台上使用，如Windows、Linux、Mac OS等。PCL的应用非常广泛，包括机器人、自动驾驶、虚拟现实、建筑、医学、地质和测绘等领域。
ONNXRuntime报错：onnxruntime\capi\onnxruntime_providers_shared.dll LoadLibrary failed with error 126
E:onnxruntime:barcode, provider_bridge_ort.cc:995 onnxruntime::ProviderLibrary::Get] LoadLibrary failed with error 126 "找不到指定的模块。" when trying to load onnxruntime_providers_cuda.dll c等错错误
从零开始学习deepsort目标追踪算法----原理和代码详解
DeepSORT（Deep learning based SORT）是一种基于深度学习的视觉目标跟踪算法，它结合了深度学习和传统的目标跟踪算法SORT（Simple Online and Realtime Tracking）。DeepSORT基于目标检测器（如YOLO、Faster R-CNN等）检测每一帧图像中的目标，并使用多特征融合（Muti-feature Fusion）技术对目标进行表示和描述，然后使用SORT算法对目标进行跟踪。
【EMSANet2022】Efficient Multi-Task RGB-D Scene Analysis for Indoor Environments
语义场景理解对于在各种环境中行动的移动代理至关重要。尽管语义分割已经提供了很多信息，但关于单个物体以及一般场景的细节还是缺失的，但对于许多现实世界的应用来说是需要的。然而，鉴于移动平台上有限的计算和电池能力，单独解决多个任务是昂贵的，而且不能实时完成。在本文中，我们提出了一种高效的RGB-D场景分析的多任务方法（EMSANet），它同时进行语义和实例分割（全景分割）、实例方向估计和场景分类。我们表明，所有的任务都可以在移动平台上使用单一的神经网络实时完成，而不会降低性能–相比之下，各个任务之间能够相互受益。
Python的类变量和对象变量声明解析
不过建议将对象变量声明在__init__()方法中，因为对象一被创建的时候即会调用这个方法，否则的话，比如上面那个例子，如果我先调用sayName()的话，那么就会出错，说对象实例还没有name这个属性！比如这里的类变量__count就是类私有的，只能被类的函数成员调用（13行），而在类外面调用（16行）就是错误的！Python的类和C++一样，也都是存在两种类型的变量，类变量和对象变量！那个cvar就是属于Python类的变量，而那个fvar就是方法sayHi()中的局部变量，第11条语句那里就会报错！_python类的变量和对象的变量
DeepLab v1
深度卷积神经网络（DCNNs）最近在高级视觉任务中表现出了最新的性能，如图像分类和物体检测。这项工作将来自DCNN和概率图形模型的方法结合起来，以解决像素级分类任务（也称为“语义图像分割”）。我们证明DCNN的最终层的响应对于准确的对象分段不足够局部化。这是由于使DCNNs用于高级任务的非常不变属性所致。通过将最终DCNN层的响应与完全连接的条件随机场（CRF）相结合，我们克服了深度网络的这种劣质本地化特性。在定性上，我们的“DeepLab”系统能够定位超过以前方法的准确性水平的片段边界。
LPP 和 Kernel LPP
非线性降维技术（如ISOMAP、LLE和Laplacian eigenmaps）的一个问题是这些方法仅在训练数据点上定义，不清楚如何评估新测试点的映射。Locality Preserving Projection（LPP）算法的主要动机是产生一种方法，可以简单地应用于任何新测试数据点以定位它在降维表示空间中的位置。与Laplacian Eigenmaps方法相似，我们寻求一个平滑映射，保持局部性，即图形中的接近必须意味着在线上的接近。我们在之前的章节中已经展示了，如果最小化以下准则，则映射。
层次多尺度注意力用于语义分割
多尺度推断通常用于提高语义分割的结果。多个图像尺度通过网络传递，然后使用平均或最大池化方法将结果组合起来。在本文中，我们提出了一种基于注意力的方法来结合多尺度预测。我们表明，在某些尺度上的预测能够更好地解决特定的失败模式，并且网络学习在这些情况下偏向于选择这些尺度以生成更好的预测。我们的注意机制是分层的，使其大约比其他最新方法节省4倍内存。除了使训练速度更快外，这样也允许我们使用更大的裁剪大小，从而提高模型的准确性。
【DDRNets】Deep Dual-resolution Networks for Real-time and Accurate Semantic Segmentation of Road Scen
语义分割是自主驾驶车辆理解周围场景的关键技术。当代模型的吸引人表现往往以繁重的计算和漫长的推理时间为代价，这对于自动驾驶来说是不可容忍的。使用轻量级架构（编码器-解码器或双通道）或对低分辨率图像进行推理，最近的方法实现了非常快速的场景解析，甚至在单个1080Ti GPU上运行超过100 FPS。然而，这些实时方法和基于膨胀骨干的模型之间的性能差距仍然很大。为了解决这个问题，我们提出了一系列专为实时语义分割而设计的高效骨干。所提出的深度双分辨率网络（DDRNets）由两个深度分支组成，在其中执行多个双边融合。_ddrnet
【PIDNet】: A Real-time Semantic Segmentation Network Inspired by PID Controllers
在实时语义分割任务中，双分支网络架构显示出其高效性和有效性。然而，
A Novel Semantic Segmentation Algorithm for RGB-D Images Based on Non-Symmetry and Anti-Packing Patt
语义分割在计算机视觉研究中起着重要作用。它指的是在像素层面上识别图像，也就是标记图像中每个像素所属的对象类别。目前，语义分割已被广泛应用于自动驾驶、机器人感知和医学图像诊断等智能任务[1], [2], [3], [4], [5]。近年来，基于深度学习的图像分割方法发展迅速。自Shelhamer等人[6]提出全卷积神经网络（FCN）以来，卷积神经网络（CNN）在语义分割任务中取得了令人瞩目的成绩。因此，它们被广泛地应用于语义分割领域。
【MobileNetsv1】: Efficient Convolutional Neural Networks for Mobile Vision Applications
我们提供了一种称为MobileNets的高效模型类，用于移动和嵌入式视觉应用。MobileNets基于一种简化的架构，使用深度可分离卷积来构建轻量级深度神经网络。我们引入了两个简单的全局超参数，可以有效地权衡延迟和准确性。这些超参数允许模型构建者根据问题的约束条件选择适合其应用程序的正确大小的模型。我们进行了大量的资源和准确性权衡实验，并在ImageNet分类任务上展现出与其他流行模型相比的较强表现。
今日推荐
周排行