计算机视觉

前面介绍了基于EKF的SLAM算法。EKF算法由于状态向量，协方差矩阵的大小随着特征点(路标)的增长而迅速增长，导致其不太适合大场景的应用。本文描述基于图优化的SLAM算法。目前由于SLAM图的稀疏性得到广泛认可，这种SLAM在效果和效率上的优势非常明显。 参考文献： [1] Probabilistic Robotics [2] A Tutorial on Graph-Based SLAM [3] Globally consistent range scan alignment for environment mapping. Autonomous Robots [4] A Framework for Sparse, Non-Linear Least Squares Problems on Manifolds [5] INTRODUCTION TO SMOOTH MANIFOLDS Graph-based SLAM [3]最早提出了采用全局优化的图优化SLAM算法。下图摘自[1] Probabilistic Robotics。用图G（V, E）的方式表述了SLAM问题。 上图中， 表示机器人的位姿(Pose)， 表示路标(Landmark)的坐标。 图优化中，顶点是优化项，而边是约束项。优化过程就是通过全局调整优化项，使约束项的和最小。在上图中， Pose(x)与Landmark

11 月 5 日，在 Wave Summit+2019 深度学习开发者峰会上，飞桨全新发布和重要升级了最新的 21 项进展，在深度学习开发者社区引起了巨大的反响。 很多未到场的开发者觉得遗憾，希望可以了解飞桨发布会背后的更多技术细节，因此我们特别策划了一个系列稿件，分别从 核心框架、基础模型库、端到端开发套件、工具组件 和 服务平台 五个层面分别详细解读飞桨的核心技术与最新进展，敬请关注。 今天给大家带来的是系列文章之飞桨的 基础模型库解读 。 飞桨模型库，包含 智能视觉 （PaddleCV）， 智能文本处理 （PaddleNLP）， 智能语音 （PaddleSpeech）和 智能推荐 （PaddleRec）四大领域，飞桨官方支持 100 多个经过产业实践长期打磨的主流模型，其中包括在国际竞赛中夺得冠军的模型；同时开源开放 200 多个预训练模型，助力快速的产业应用。核心内容 1562 字，预计阅读时间 3 分钟。全文 7659 字，强烈建议收藏备查。 飞桨全景图，本文主要针对基础模型库部分进行深度解读。 第一部分，首先看一下最新版本模型库的主要更新点。 本次主要更新点 1.1. PaddleCV 发布训练部署端到端的图像分割库 PaddleSeg，图像分类新增 EfficientNet 等 43 个预训练模型。PaddleDetection 新增 2019 Objects365

11 月 5 日，在 Wave Summit+2019 深度学习开发者峰会上，飞桨全新发布和重要升级了最新的 21 项进展，在深度学习开发者社区引起了巨大的反响。 很多未到场的开发者觉得遗憾，希望可以了解飞桨发布会背后的更多技术细节，因此我们特别策划了一个系列稿件，分别从 核心框架、基础模型库、端到端开发套件、工具组件 和 服务平台 五个层面分别详细解读飞桨的核心技术与最新进展，敬请关注。 今天给大家带来的是系列文章之飞桨的 基础模型库解读 。 飞桨模型库，包含 智能视觉 （PaddleCV）， 智能文本处理 （PaddleNLP）， 智能语音 （PaddleSpeech）和 智能推荐 （PaddleRec）四大领域，飞桨官方支持 100 多个经过产业实践长期打磨的主流模型，其中包括在国际竞赛中夺得冠军的模型；同时开源开放 200 多个预训练模型，助力快速的产业应用。核心内容 1562 字，预计阅读时间 3 分钟。全文 7659 字，强烈建议收藏备查。 飞桨全景图，本文主要针对基础模型库部分进行深度解读。 第一部分，首先看一下最新版本模型库的主要更新点。 本次主要更新点 1.1. PaddleCV 发布训练部署端到端的图像分割库 PaddleSeg，图像分类新增 EfficientNet 等 43 个预训练模型。PaddleDetection 新增 2019 Objects365

11 月 5 日，在 Wave Summit+2019 深度学习开发者峰会上，飞桨全新发布和重要升级了最新的 21 项进展，在深度学习开发者社区引起了巨大的反响。 很多未到场的开发者觉得遗憾，希望可以了解飞桨发布会背后的更多技术细节，因此我们特别策划了一个系列稿件，分别从 核心框架、基础模型库、端到端开发套件、工具组件 和 服务平台 五个层面分别详细解读飞桨的核心技术与最新进展，敬请关注。 今天给大家带来的是系列文章之飞桨的 基础模型库解读 。 飞桨模型库，包含 智能视觉 （PaddleCV）， 智能文本处理 （PaddleNLP）， 智能语音 （PaddleSpeech）和 智能推荐 （PaddleRec）四大领域，飞桨官方支持 100 多个经过产业实践长期打磨的主流模型，其中包括在国际竞赛中夺得冠军的模型；同时开源开放 200 多个预训练模型，助力快速的产业应用。核心内容 1562 字，预计阅读时间 3 分钟。全文 7659 字，强烈建议收藏备查。 飞桨全景图，本文主要针对基础模型库部分进行深度解读。 第一部分，首先看一下最新版本模型库的主要更新点。 本次主要更新点 1.1. PaddleCV 发布训练部署端到端的图像分割库 PaddleSeg，图像分类新增 EfficientNet 等 43 个预训练模型。PaddleDetection 新增 2019 Objects365

11 月 5 日，在 Wave Summit+2019 深度学习开发者峰会上，飞桨全新发布和重要升级了最新的 21 项进展，在深度学习开发者社区引起了巨大的反响。 很多未到场的开发者觉得遗憾，希望可以了解飞桨发布会背后的更多技术细节，因此我们特别策划了一个系列稿件，分别从 核心框架、基础模型库、端到端开发套件、工具组件 和 服务平台 五个层面分别详细解读飞桨的核心技术与最新进展，敬请关注。 今天给大家带来的是系列文章之飞桨的 基础模型库解读 。 飞桨模型库，包含 智能视觉 （PaddleCV）， 智能文本处理 （PaddleNLP）， 智能语音 （PaddleSpeech）和 智能推荐 （PaddleRec）四大领域，飞桨官方支持 100 多个经过产业实践长期打磨的主流模型，其中包括在国际竞赛中夺得冠军的模型；同时开源开放 200 多个预训练模型，助力快速的产业应用。核心内容 1562 字，预计阅读时间 3 分钟。全文 7659 字，强烈建议收藏备查。 飞桨全景图，本文主要针对基础模型库部分进行深度解读。 第一部分，首先看一下最新版本模型库的主要更新点。 本次主要更新点 1.1. PaddleCV 发布训练部署端到端的图像分割库 PaddleSeg，图像分类新增 EfficientNet 等 43 个预训练模型。PaddleDetection 新增 2019 Objects365

11 月 5 日，在 Wave Summit+2019 深度学习开发者峰会上，飞桨全新发布和重要升级了最新的 21 项进展，在深度学习开发者社区引起了巨大的反响。 很多未到场的开发者觉得遗憾，希望可以了解飞桨发布会背后的更多技术细节，因此我们特别策划了一个系列稿件，分别从 核心框架、基础模型库、端到端开发套件、工具组件 和 服务平台 五个层面分别详细解读飞桨的核心技术与最新进展，敬请关注。 今天给大家带来的是系列文章之飞桨的 基础模型库解读 。 飞桨模型库，包含 智能视觉 （PaddleCV）， 智能文本处理 （PaddleNLP）， 智能语音 （PaddleSpeech）和 智能推荐 （PaddleRec）四大领域，飞桨官方支持 100 多个经过产业实践长期打磨的主流模型，其中包括在国际竞赛中夺得冠军的模型；同时开源开放 200 多个预训练模型，助力快速的产业应用。核心内容 1562 字，预计阅读时间 3 分钟。全文 7659 字，强烈建议收藏备查。 飞桨全景图，本文主要针对基础模型库部分进行深度解读。 第一部分，首先看一下最新版本模型库的主要更新点。 本次主要更新点 1.1. PaddleCV 发布训练部署端到端的图像分割库 PaddleSeg，图像分类新增 EfficientNet 等 43 个预训练模型。PaddleDetection 新增 2019 Objects365

什么是OpenCV ？ OpenCV的全称是：Open Source Computer Vision Library OpenCV是Intel开源计算机视觉库。它由一系列 C 函数和少量 C++ 类构成，实现了图像处理和计算机视觉方面的很多通用算法。 优点： 1、 OpenCV 对非商业应用和商业应用都是免费的； 2、 开源的； 3、 可以应用于工程实践中； 缺点： 相对于Matlab而言，OpenCV基于C语言开发，编程复杂，开发周期较长。 可以看出，OpenCV的优缺点正好与Matlab的优缺点相反，两者各有所长，根据不同的要求选择不同的编程环境。 应用领域： 1、人机互动 2、物体识别 3、图象分割 4、人脸识别 5、动作识别　6、运动跟踪 7、机器人 为什么有OpenCV？ 计算机视觉市场巨大而且持续增长，且这方面没有标准API，目前的计算机视觉软件大概有以下三种： 　　1.研究代码（慢，不稳定，独立并与其他库不兼容） 　　2.耗费很高的商业化工具（比如Halcon, MATLAB+Simulink） 　　3.依赖硬件的一些特别的解决方案（比如视频监控，制造控制系统，医疗设备） 这是目前的现状。而标准的API将简化计算机视觉程序和解决方案的开发。OpenCV致力于成为这样的标准API。 项目历史： 1999年1月，CVL项目启动。主要目标是人机界面

之前和大家分享了那些我们对2019技术世界趋势的预测都说准了吗？今天，我们看到了最新的关于2020年技术趋势的预测。这次是2020年的预告，很好奇，当2021年我们再回顾时，不知道这一切是否都真的实现了呢？ Photo by Jelleke Vanooteghem on Unsplash 关于2020年，到目前为止关于全球新游戏的发行、新电影的发布、新节目的制作……相信大家已经听到很多了。随着我们迈向2020这个数字，当今社会的技术也正在往前迈进。从区块链的更多实际用途到自动化的进一步发展，2020年对于技术而言，将是令人奋的一年。 本文收录了2020年将会出现的5大技术领域和趋势。 自动驾驶的发展 近年来，无人驾驶技术得到了很大发展，特斯拉等大型公司在这一领域取得了进步。 尽管我们还没有进入L4或L5自动驾驶汽车的阶段，但我们已经在努力接近了。 资料来源：https : //www.synopsys.com/automotive/autonomous-driving-levels.html 马斯克已经表示，他打算在2020年底之前提供完整的自动驾驶汽车，但这确实是一个很大胆的“承诺”。 “我认为，今年我们将在全自动驾驶方面实现'功能完善'，这意味着车辆将可以在无需干预的情况想，即可在停车场找到你的位置、接你，并将你带到目的地。”，马斯克在接受特斯拉投资的资产管理公司ARK

OpenCV近几年随着视频设备的广泛使用，发展的非常之快。中国的大部分视频应用几乎都用了其中的代码。但是由于各种原因，OpenCV的资料却比较杂乱，本人基于学习和使用和一些经验体会，整理如下，供参考： 1、OpenCV简介 OpenCV（ http://opencv.org ）最初是Intel®开发的一个计算机视觉软件库，现在开源后已经成为使用广泛、发展快速的通用计算机视觉库，很多车牌识别、人脸认证等应用大部分都是基于OpenCV开发的。 2、OpenCV支持能力 OpenCV是实时的图像处理处理框架（不同于其它的后台图像处理软件），由一系列C函数和C++类构成，实现了图像处理和计算机视觉方面的很多通用算法，包括视频读写、图形细化、边缘检测、图像变换、模式识别、人脸检测等经典算法。OpenCV3进一步完善和规范了接口，还加入了光流等现代图像算法。OpenCV既能直接用于生产性工作中，也是一个极佳的算法研究和试验场地，而且通过一个开放的框架，可以将成熟的算法直接整合到应用工作之中，并与业界的专家和工业部分进行共享和相互促进。 OpenCV支持很多种设备和操作系统除了台式机、工作站外，还可以运行在iOS和Android以及各种嵌入式Linux设备上，在机器视觉、人工智能、自动驾驶、无人机、智能设备等领域都有广泛的应用。 3、OpenCV开发与接口 OpenCV支持多种开发接口

机器学习与计算机视觉入门项目——视频投篮检测（一） 随着机器学习、深度学习技术的迅猛发展，计算机视觉无疑是近年来发展最快的AI领域之一。正因如此，互联网上有关计算机视觉和机器学习、深度学习的社区、博文、论文、代码、算法框架等极大地丰富起来，给初入该领域的新人丰富的参考资料。同时计算机视觉比较易于理解，适合新手入门，培养最基本的工程素养和代码项目经验，从而了解处理具体计算机科学相关领域的基本流程。 ——浙江大学教授 王跃明 该博客是由我2018年8月1日至22日在浙江大学玉泉校区参加计算机学院保研夏令营时所做的项目整理而来。在此，向培训期间授课和指导的王跃明老师、潘纲老师、祁玉老师表示感谢！向与我同组的西北工业大学祝同学表示感谢，她负责了项目的绝大部分实验和PPT，她的认真态度和拼搏精神永远值得我学习，祝她前程似锦！感谢一直陪伴我们的姜学长，整个过程中，姜学长给了我很多启发和指导，祝他在浙大求得真理！ 正式开始 Getting Started:Practice Machine Learning Algorithms in Computer Vision 计算机视觉和机器学习的关系 Machine learning focuses more than a model itself , has more mathematics, emphasizes the understanding