Публикации по теме 'computer-vision'
Поиск изображений на основе контента с использованием автокодировщиков
Поиск изображений на основе содержимого, также известный как «Запрос по содержимому изображения», основан на применении методов компьютерного зрения к задаче поиска изображений. Он включает в себя извлечение визуально похожих изображений из базы данных изображений на заданное изображение запроса. В этой статье проблема поиска изображений на основе контента решается с использованием неконтролируемых методов машинного обучения, то есть автокодировщиков.
Мы будем использовать набор данных..
Системы визуального контроля
Использование компьютерного зрения или машинного зрения продолжает расти. Этот рост связан с концепцией передачи большего интеллекта (вычислительной мощности) на периферию Интернета вещей, когда системы машинного зрения подключаются к этим системам, особенно в промышленных условиях. Существует множество применений компьютерного зрения, и этот список продолжает расти.
Сегодня он используется в:
Индустриальная автоматизация Общественная безопасность Охранное наблюдение..
Решение капчи с зашумленным текстом
CAPTCHA существует как механизм, предотвращающий рассылку ботами спама API-интерфейсов, очистку веб-сайтов и общее злоупотребление привилегиями в Интернете, предназначенными для использования людьми. С самого начала CAPTCHA эволюционировала от простых черно-белых разделенных символов в простом шрифте без засечек с минимальным преобразованием (например, вращением) или без него, как показано на рисунке 1, до включения нескольких цветов, шума, различных шрифтов, различных шкалы символов и..
Еженедельники #031
Hola a tod@s, продолжение еженедельных изменений де ла семана:
Учебники
Создавайте красивые и простые веб-приложения ML, которые можно развернуть в нужном масштабе за несколько шагов DETR: Обнаружение объектов с трансформаторами
питон
10 простых трюков с Python для богов Python 3 отличных шаблона проектирования для специалистов по данным
ПиТорч
5 продвинутых инструментов PyTorch для повышения уровня вашего рабочего процесса
ОННКС
Глубокое техническое..
КОМПЬЮТЕРНОЕ ЗРЕНИЕ (ЧАСТЬ 2): Создайте приложение для профилирования людей на основе пола и цвета лица (Узнайте…
КОМПЬЮТЕРНОЕ ЗРЕНИЕ (ЧАСТЬ 2): Создайте приложение для профилирования людей на основе пола и цвета лица (изучите концепцию предварительно обученных моделей)
ЦЕЛЬ: Мы создадим простое приложение компьютерного зрения для определения пола человека на основе распознавания лиц с использованием предварительно обученной модели кафе. Мы также кратко объясним другие концепции предварительно обученной модели, такие как: хаар-каскады, тензорный зоопарк, VGG16, VGG19, ResNet50, InceptionV3,..
Семантическая сегментация: введение в технику глубокого обучения за камерой Google Pixel!
Введение
Мы, люди, в высшей степени искусны в том, чтобы взглянуть на любое изображение и понять, что внутри него. На самом деле, это почти незаметная реакция с нашей стороны. Анализ занимает доли секунды.
Это совершенно другая игра с мячом для машин. За последние пару десятилетий было предпринято множество попыток сделать машины более умными для решения этой задачи — и, возможно, мы, наконец, справились с этой задачей благодаря методам глубокого обучения (и компьютерного зрения )!..
Очень хорошая статья. Но почему бы не использовать brew для компиляции исходников?
Очень хорошая статья. Но почему бы не использовать brew для компиляции исходников?
заварить редактировать opencv, отключить openexr и perf_tests
DBUILD_OPENEXR=ВЫКЛ. -DBUILD_PERF_TESTS=ВЫКЛ.
2. brew -v install — сборка из исходников — env=std opencv
_________________________________________
аргументы = std_cmake_args + %W[
-DCMAKE_OSX_DEPLOYMENT_TARGET=
-DBUILD_JASPER=ВЫКЛ.
-DBUILD_JPEG=ВКЛ.
-DBUILD_OPENEXR=ВЫКЛ.
-DBUILD_PERF_TESTS=ВЫКЛ.
-DBUILD_PNG=ВКЛ...
