开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

图像检测

是一种计算机视觉领域的技术，旨在识别和定位图像中的特定对象或物体。它是人工智能和机器学习的一个重要应用领域，可以应用于许多实际场景，如自动驾驶、安防监控、医学影像分析等。

图像检测可以分为两个主要步骤：目标检测和目标定位。目标检测是指在图像中确定是否存在特定对象，而目标定位则是确定对象在图像中的位置。

在图像检测中，常用的算法包括传统的基于特征工程的方法和基于深度学习的方法。传统方法通常使用手工设计的特征和分类器来进行目标检测，如Haar特征和级联分类器。而深度学习方法则通过神经网络自动学习特征和分类器，如卷积神经网络（CNN）和区域卷积神经网络（R-CNN）。

腾讯云提供了一系列与图像检测相关的产品和服务，包括：

人脸识别（https://cloud.tencent.com/product/fr）：基于深度学习的人脸检测和识别技术，可应用于人脸验证、人脸搜索等场景。
图像标签（https://cloud.tencent.com/product/ft）：通过自然语言处理技术，为图像自动添加标签，方便图像的分类和搜索。
图像审核（https://cloud.tencent.com/product/img）：基于深度学习的图像内容审核技术，可用于识别和过滤不良内容，保护用户安全。
视觉搜索（https://cloud.tencent.com/product/vs）：通过图像相似度计算，实现基于图像的搜索和推荐功能。

腾讯云的图像检测产品具有高效、准确、安全的特点，可以帮助开发者快速构建图像检测应用，并提供了丰富的API和SDK供开发者使用。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

Generative Modeling for Small-Data Object Detection

本文探讨了小数据模式下的目标检测，由于数据稀有和注释费用的原因，只有有限数量的注释边界框可用。这是当今的一个常见挑战，因为机器学习被应用于许多新任务，在这些任务中，获得训练数据更具挑战性，例如在医生一生中有时只看到一次罕见疾病的医学图像中。在这项工作中，我们从生成建模的角度探讨了这个问题，方法是学习生成具有相关边界框的新图像，并将其用于训练目标检测器。我们表明，简单地训练先前提出的生成模型并不能产生令人满意的性能，因为它们是为了图像真实性而不是目标检测精度而优化的。为此，我们开发了一种具有新型展开机制的新模型，该机制联合优化生成模型和检测器，以使生成的图像提高检测器的性能。我们表明，该方法在疾病检测和小数据行人检测这两个具有挑战性的数据集上优于现有技术，将NIH胸部X射线的平均精度提高了20%，定位精度提高了50%。

02

视觉显著性目标检测综述（一）

作为视觉注意力机制在目标分割任务上的延拓，并作为计算机视觉任务中非常重要的预处理步骤之一，显著性目标检测在立体匹配、图像理解、动作识别、视频检测和分割、语义分割、医学图像分割、目标跟踪、行人重识别、伪装目标检测以及图像检索等领域中发挥着非常重要的作用，如图1所示。由此可见，显著性目标检测有着广泛的应用价值和重要的研究意义。

03

视频质量AI检测算法与LiteCVR视频质量诊断方案介绍

LiteCVR视频质量诊断方案可以实现对监控设备常见的异常抖动、画面条纹、画面模糊、偏色、亮度异常、对比度异常、冻结、丢失、噪声等机器故障及恶意遮挡、恶意变化监控场景的行为做出准确判断，还可以对监控设备因为网络异常等原因导致的设备断线、取流异常、码率是否达标等问题进行准确定位。

05

Efficient detection under varying illumination conditions

本文主要研究了不同光照和姿态下的兰伯曲面目标的检测问题。我们提供了一种新的检测方法，该方法通过对训练集中少量图像的不同光照进行建模;这将自动消除光照效果，允许快速的光照不变检测，而不需要创建一个大型的训练集。实验证明，该方法很好地“适应”了之前关于在不同光照下建模物体外观集的工作。在实验中，即使在存在显著阴影的情况下，在45范围内的图像平面旋转和各种不同光照下，也能正确地检测到目标。

02

利用AI技术去除图像水印

作者简介：李翔，国内某互联网大厂AI民工，前携程酒店图像技术负责人，主导并参与一系列图像智能化算法的研发与落地工作。在ICCV和CVPR等学术会议及国际期刊上发表论文十余篇。

01

通用异常检测新曙光：华科大等揭秘GPT-4V的全方位异常检测表现

异常检测任务旨在识别明显偏离正常数据分布的异常值，在工业检验、医学诊断、视频监控和欺诈检测等多个领域都发挥了重要作用。传统的异常检测方法主要依赖于描述正常数据分布以进行正异常样本的区分。然而，对于实际的应用而言，异常检测也需要理解数据的高层语义，从而深入理解 “什么是异常”。

03

Let There Be Light: Improved Trafﬁc Surveillancevia Detail Preserving Night-to-Day Transfer

近年来，在深度卷积神经网络（CNNs）的帮助下，图像和视频监控在智能交通系统（ITS）方面取得了长足的进步。作为最先进的感知方法之一，检测视频监控每帧中感兴趣的目标是ITS广泛期望的。目前，在具有良好照明条件的日间场景等标准场景中，物体检测显示出显著的效率和可靠性。然而，在夜间等不利条件下，物体检测的准确性会显著下降。该问题的主要原因之一是缺乏足够的夜间场景注释检测数据集。在本文中，我们提出了一个框架，通过使用图像翻译方法来缓解在不利条件下进行目标检测时精度下降的情况。为了缓解生成对抗性网络（GANs）造成的细节破坏，我们建议利用基于核预测网络（KPN）的方法来重新定义夜间到日间的图像翻译。KPN网络与目标检测任务一起训练，以使训练的日间模型直接适应夜间车辆检测。车辆检测实验验证了该方法的准确性和有效性。

02

Improved Traffic Surveillance via Detail Preserving

近年来，在深度卷积神经网络(CNNs)的帮助下，图像和视频监控在智能交通系统(ITS)中取得了长足的进展。作为一种先进的感知方法，智能交通系统对视频监控中每一帧感兴趣的目标进行检测是其广泛的研究方向。目前，在照明条件良好的白天场景等标准场景中，目标检测显示出了显著的效率和可靠性。然而，在夜间等不利条件下，目标检测的准确性明显下降。造成这一问题的主要原因之一是缺乏足够的夜间场景标注检测数据集。本文提出了一种基于图像平移的目标检测框架，以解决在不利条件下目标检测精度下降的问题。我们提出利用基于风格翻译的StyleMix方法获取白天图像和夜间图像对，作为夜间图像到日间图像转换的训练数据。为了减少生成对抗网络(GANs)带来的细节破坏，我们提出了基于核预测网络(KPN)的方法来细化夜间到白天的图像翻译。 KPN网络与目标检测任务一起训练，使训练好的白天模型直接适应夜间车辆检测。车辆检测实验验证了该方法的准确性和有效性。

01

AI技术在图像水印处理中的应用

作者简介：李翔，国内某互联网大厂AI民工，前携程酒店图像技术负责人，主导并参与一系列图像智能化算法的研发与落地工作。在ICCV和CVPR等学术会议及国际期刊上发表论文十余篇。

01

如何利用深度学习技术处理图像水印？

作者简介：李翔，国内某互联网大厂AI民工，前携程酒店图像技术负责人，主导并参与一系列图像智能化算法的研发与落地工作。在ICCV和CVPR等学术会议及国际期刊上发表论文十余篇。

02

快乐学AI系列——计算机视觉（2）特征提取和描述

在计算机视觉中，图像特征是指从图像中提取出的一些有意义的信息，如边缘、角点、颜色等。通过对图像特征的提取，可以将图像转换为可处理的数字形式，从而使计算机能够理解和处理图像。

03

Thermal Object Detection using Domain Adaptation through

最近发生的一起自动驾驶车辆致命事故引发了一场关于在自动驾驶传感器套件中使用红外技术以提高鲁棒目标检测可见性的辩论。与激光雷达、雷达和照相机相比，热成像具有探测红外光谱中物体发出的热差的优点。相比之下，激光雷达和相机捕捉在可见光谱，和不利的天气条件可以影响其准确性。热成像可以满足传统成像传感器对图像中目标检测的局限性。提出了一种用于热图像目标检测的区域自适应方法。我们探讨了领域适应的多种概念。首先，利用生成式对抗网络，通过风格一致性将低层特征从可见光谱域转移到红外光谱域。其次，通过转换训练好的可见光光谱模型，采用具有风格一致性的跨域模型进行红外光谱中的目标检测。提出的策略在公开可利用的热图像数据集(FLIR ADAS和KAIST多光谱)上进行评估。我们发现，通过域适应将源域的低层特征适应到目标域，平均平均精度提高了约10%。

01

PrObeD方法开源 | 主动方法助力YOLOv5/Faster RCNN/DETR在COCO/GOD涨点

通用的2D目标检测（GOD）已经从早期的传统检测器发展到基于深度学习的目标检测器。深度学习方法的发展在近年来经历了许多架构上的变化，包括单阶段，两阶段，基于CNN的，基于Transformer的，以及基于扩散的方法。所有这些方法的目标都是预测图像中目标的2D边界框和它们的类别。

05

Cycle-object consistency for image-to-image domain adaptation

生成对抗性网络（GANs）的最新进展已被证明可以通过数据扩充有效地执行目标检测器的域自适应。虽然GANs非常成功，但那些能够在图像到图像的翻译任务中很好地保存目标的方法通常需要辅助任务，例如语义分割，以防止图像内容过于失真。然而，在实践中很难获得像素级注释。或者，实例感知图像转换模型分别处理对象实例和背景。然而，它在测试时需要目标检测器，假设现成的检测器在这两个领域都能很好地工作。在这项工作中，我们介绍了AugGAN Det，它引入了循环目标一致性（CoCo）损失，以生成跨复杂域的实例感知翻译图像。目标域的目标检测器直接用于生成器训练，并引导翻译图像中保留的目标携带目标域外观。与之前的模型（例如，需要像素级语义分割来强制潜在分布保持对象）相比，这项工作只需要更容易获取的边界框注释。接下来，对于感知实例的GAN模型，我们的模型AugGAN-Det在没有明确对齐实例特征的情况下内化了全局和对象样式转移。最重要的是，在测试时不需要检测器。实验结果表明，我们的模型优于最近的目标保持和实例级模型，并实现了最先进的检测精度和视觉感知质量。

01

OpenCV 概述和应用领域：图像处理的万能利器

OpenCV （ Open Source Computer Vision Library ）是一个广泛应用于计算机视觉和图像处理领域的开源库。它提供了丰富的图像处理算法和工具，能够处理图像和视频数据，实现诸如特征提取、目标检测、图像分割等功能。本文将介绍 OpenCV 的概述和应用领域，并通过具体实例展示其强大的功能和广泛应用。

01

自适应YOLO：恶劣天气下的目标检测（附源代码）

源代码：https://github.com/wenyyu/ImageAdaptive-YOLO

04

「房间里的大象」：让目标检测器一脸懵逼

作者：Amir Rosenfeld、Richard Zemel、John K. Tsotsos

03

MATLAB实现工业PCB电路板缺陷识别和检测

PCB（PrintedCircuitBoard印刷电路板）是电子产品中众多电子元器件的承载体，它为各电子元器件的秩序连接提供了可能，PCB已成为现代电子产品的核心部分。随着现代电子工业迅猛发展，电子技术不断革新，PCB密集度不断增大，层级越来越多，生产中因焊接缺陷的等各种原因，导致电路板的合格率降低影响整机质量的事故屡见不鲜。随着印刷电路板的精度、集成度、复杂度、以及数量的不断提高，PCB板的缺陷检测已成为整个电子行业中重要的检测内容。其中人工目测等传统的PCB缺陷检测技术因诸多弊端已经不能适应现代工业生产水平的要求,因此开发和应用新的检测方法已显得尤为重要。

02

关于图像分类、图像识别和目标检测异同

计算机视觉是人工智能领域的一个重要分支，它旨在构建能够理解和处理图像、视频等视觉信息的计算机系统。在计算机视觉领域中，图像分类、图像识别和目标检测是三个重要的任务，当然目标跟踪、图像生成也是新的方向和延伸。

01

OpenCV 入门教程：Laplacian算子和Canny边缘检测

边缘检测在图像处理和计算机视觉领域中起着重要的作用。 Laplacian 算子和 Canny 边缘检测是两种常用的边缘检测方法，它们能够帮助我们准确地检测图像中的边缘信息。 OpenCV 提供了这两种算子的实现函数，使得边缘检测更加简单和高效。本文将以 Laplacian 算子和 Canny 边缘检测为中心，为你介绍使用 OpenCV 进行边缘检测的基本步骤和实例。

02

Yolov8对接InternImage

Yolov8是一种流行的目标检测算法，它能够在图像中同时检测并定位多个对象。InternImage是一个可视化和图像处理库，提供了各种图像处理功能。本文将介绍如何将Yolov8与InternImage对接，以实现目标检测和图像处理的联合应用。

01

「技术」基于机器视觉的缺陷检测方法与机器学习的表面缺陷

基于机器视觉的缺陷检测方法目前，基于机器视觉的表面缺陷方法主要分为基于图像处理的缺陷检测方法和基于机器学习的缺陷检测方法。两种方法具体介绍如下。

02

基于深度学习的遥感图像地物变化检测综述

遥感（Remote Sensing，缩写为RS）是指非接触式、远距离的探测技术。遥感技术通常使用航空航天平台、按照特定的波段对地球或其他天体进行成像观测，通过分析观测数据，探测地球或其他天体资源与环境。遥感技术在现代化社会中十分重要，它能够在一定程度上体现一个国家的经济实力和科技水平，故一直受到世界大国的高度重视。自从美国的陆地卫星Landat-1和法国的SPOT-1卫星相继升空，世界进入了高分辨率遥感技术发展和应用的新时代。2001年，美国发射的QuickBird卫星可采集分辨率为0.61m/像素的全彩色图像和2.44m/像素的多光谱图像，标志着世界进入“亚米级”高空间分辨率[2]遥感时代。在20世纪80年代后，我国遥感技术也进入飞速发展时期。风云气象卫星和资源系列卫星的成功发射为我国卫星遥感事业的发展奠定了坚实的基础。2006年到2016年间，我国陆续将遥感卫星一号到遥感卫星三十号共30个卫星送入太空，这些卫星在我国国土资源普及、防灾减灾等领域发挥了重要的作用。2013年到2018年间，我国相继将高分一号到高分六号等高分辨率卫星送入太空，其在国土统计、城市规划、路网设计、农作物估计和抗灾救援等领域取得了突出的成就。

02

大模型时代下智能文档处理核心技术大揭秘

随着人工智能技术的发展，智能图像处理成为了一种风靡全球的热门技术。智能图像处理可以帮助我们从大量的图像数据中提取最有价值的信息，为医疗、军事、安防等领域带来了重大的贡献。然而，图像处理的难点也随之而来，下面我们来简单介绍一下图像处理的难点以及解决方式的比对。

01

Object Detection in Optical Remote Sensing Images: A Survey and A New Benchmark

最近已作出大量努力，提出光学遥感图像中的各种目标检测方法。然而，目前对光学遥感图像中目标检测的数据集调查和基于深度学习的方法还不够完善。此外，现有的数据集大多存在一些不足之处，如图像和目标类别数量较少，图像多样性和变异性不足。这些局限性极大地影响了基于深度学习的目标检测方法的发展。本文综述了近年来计算机视觉和地球观测领域基于深度学习的目标检测研究进展。然后，我们提出了一个大规模、公开可用的光学遥感图像目标检测基准，我们将其命名为DIOR。数据集包含23463张图像和190288个实例，覆盖20个目标类。建议的DIOR数据集1)在目标类别、目标实例数量和总图像数量上都是大规模的;2)具有大范围的对象尺寸变化，不仅在空间分辨率方面，而且在跨目标的类间和类内尺寸变化方面;3)由于成像条件、天气、季节、成像质量的不同，成像结果差异较大;4)具有较高的类间相似性和类内多样性。提出的基准可以帮助研究人员开发和验证他们的数据驱动方法。最后，我们评估了DIOR数据集中的几种最先进的方法，为未来的研究奠定了基础。

05

图像自适应YOLO：模糊环境下的目标检测（附源代码）

关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式论文获取｜回复“IAYOLO”获取paper 源代码：https://github.com/wenyyu/ImageAdaptive-YOLO 计算机视觉研究院专栏作者：Edison_G 最近开车发现雾天和晚上视线不是很清楚，让我联想到计算机视觉领域，是不是也是因为这种环境情况，导致最终的模型检测效果不好。最近正好看了一篇文章，说恶劣天气下的目标检测，接下来我们一起深入了解下。

03

图像自适应YOLO：恶劣天气下的目标检测（附源代码）

源代码：https://github.com/wenyyu/ImageAdaptive-YOLO

02

图像自适应YOLO：恶劣天气下的目标检测

尽管基于深度学习的目标检测方法在传统数据集上取得了可喜的结果，但从恶劣天气条件下捕获的低质量图像中定位目标仍然具有挑战性。现有方法要么难以平衡图像增强和目标检测的任务，要么经常忽略对检测有益的潜在信息。

02

历时七个月整理出来的《OpenCV4系统化学习路线图》

OpenCV4.0发布以来，其依靠良好的接口代码、系统级别的优化、更加通用易学的函数调用，集成OpenVINO与tensorflow、caffe等模型加速推断、实现了从传统的图像处理到基于深度学习的视觉处理路线图的完整拓展。OpenCV4 毫无疑问是一个OpenCV发展历史的一个重要里程碑之作。官方的宣传口号是 OpenCV4 is more than OpenCV 充分说明OpenCV4 是整合深度学习的新一代计算机视觉开发框架！

01

历时七个月整理出来的《OpenCV4系统化学习路线图》

OpenCV4.0发布以来，其依靠良好的接口代码、系统级别的优化、更加通用易学的函数调用，集成OpenVINO与tensorflow、caffe等模型加速推断、实现了从传统的图像处理到基于深度学习的视觉处理路线图的完整拓展。OpenCV4 毫无疑问是一个OpenCV发展历史的一个重要里程碑之作。官方的宣传口号是 OpenCV4 is more than OpenCV 充分说明OpenCV4 是整合深度学习的新一代计算机视觉开发框架！

03

【AAAI 2018】多种注意力机制互补完成VQA（视觉问答），清华大学、中国香港中文大学等团队最新工作

【导读】近日，针对VQA领域中不同注意力机制（如基于自由区域的注意力和基于检测的注意力）各有利弊的现状，来自清华大学、香港中文大学和华东师范大学的学者发表论文提出一个新的VQA深度神经网络，它集成了两种注意力机制。本文提出的框架通过多模态特征相乘嵌入方案有效地融合了自由图像区域、检测框和问题表示，来共同参与问题相关的自由图像区域和检测框上的注意力计算，以实现更精确的问答。所提出的方法在两个公开的数据集COCO-QA和VQA上进行了大量的评估，并且胜过了最先进的方法。这篇文章被AAAI2018接收，代码已开源

04

YOLT: 大尺寸图像目标检测的解决方案

前几天听人聊到了这个YOLT，本着长见识的目的稍微看了看，然后打算在这里给没看到的人做一个科普，希望这里面的几个Tricks可以对你有所启发。YOLT论文全称「You Only Look Twice: Rapid Multi-Scale Object Detection In Satellite Imagery」，是专为卫星图像目标检测而设计的一个检测器，是在YOLOV2的基础上进行改进的。论文原文和代码实现见附录。

02

暑期必须要学习的52个Python+OpenCV实战项目

有个粉丝前几天问我：本人小白一枚，看了很多深度学习，机器学习以及图像处理等视频和书之后，理论有一些长进，但是实际运用能力不足，从反面也是由于理论认识不足所致，所以想问问有没有好的项目，提升下自身能力。我想这也是很多小伙伴都遇到的问题。最近我发现一本CV项目手册还是比较不错的，通俗易懂，老少皆宜，适合在校大学生、科研人员，在职从业者。本手册中主要涉及以下几部分：首先是对 OpenCV中自带的基本函数进行介绍。其次是OpenCV的实战项目，一方面是基于实际项目利用OpenCV实现特定对象的检测，例如

01

使用OpenCV检测坑洼

坑洼是道路的结构性指标，事先发现坑洼地可以延长高速公路的使用寿命，防止事故的发生，同时降低死亡率。

04

利用Capsule重构过程，Hinton等人实现对抗样本的自动检测

在一般的图像识别过程中，模型只是简单地输出图像的类别，而没有输出图像的特征，甚至并不能内在地、完整地表征图像。这导致了在测试中受到对抗攻击时，除非让人进行对比验证，否则根本不知道出了问题；或者直到出了问题，才知道存在对抗攻击。

02

大神带你玩转matlab图像处理(二)

图像边缘是图像中重要特性（如像素灰度、纹理等）分布的不连续处，图像周围特性有阶跃变化或屋脊状变化的那些像素集合。图像的边缘部分集中了图像的大部分信息，一幅图像的边缘结构与特点往往是决定图像特质的重要部分。图像边缘的另一个定义是指其周围像素灰度变化不连续的那些像素的集合。边缘广泛存在于物体与背景之间、物体与物体之间，因此，边缘是图像分割及图像识别中的重要特征。

02

遥感图像中的小物体检测(内有新数据集)

文章：Small-Object Detection in Remote Sensing Images with End-to-End Edge-Enhanced GAN and Object Detector Network

02

AIGC生成图像检测：全面分析与比较主流方案

随着 AIGC 技术的发展，由 AI 所生成的虚假图像的检测问题正成为一个新的研究热点。但是现有检测方法的实验条件与测试数据集不完全相同，无法直接横向对比检测性能。为此，我们针对目前现有主流AIGC图像检测方案进行全面分析与比较。在保证相同训练集与实验条件的情况下，分析测试目前检测算法的检测准确率与泛化性等性能指标，为AIGC生成图像检测领域提供一项基准的实验对比平台（Benchmark），同时整合并开源了多种现有AIGC生成图像的检测算法。

01

使用图像分割来做缺陷检测的一个例子

作者：Vinithavn 编译：ronghuaiyang 导读一个简单的例子，详细的过程和代码说明。 1. 介绍什么是物体检测？给定一张图像，我们人类可以识别图像中的物体。例如，我们可以检测

05

融合点云与图像的环境目标检测研究进展

在数字仿真技术应用领域，特别是在自动驾驶技术的发展中，目标检测是至关重要的一环，它涉及到对周围环境中物体的感知，为智能装备的决策和规划提供了关键信息。

01

Cross-Domain Car Detection Using UnsupervisedImage-to-Image Translation: From Day to Night

深度学习技术使最先进的模型得以出现，以解决对象检测任务。然而，这些技术是数据驱动的，将准确性委托给训练数据集，训练数据集必须与目标任务中的图像相似。数据集的获取涉及注释图像，这是一个艰巨而昂贵的过程，通常需要时间和手动操作。因此，当应用程序的目标域没有可用的注释数据集时，就会出现一个具有挑战性的场景，使得在这种情况下的任务依赖于不同域的训练数据集。共享这个问题，物体检测是自动驾驶汽车的一项重要任务，在自动驾驶汽车中，大量的驾驶场景产生了几个应用领域，需要为训练过程提供注释数据。在这项工作中，提出了一种使用来自源域（白天图像）的注释数据训练汽车检测系统的方法，而不需要目标域（夜间图像）的图像注释。为此，探索了一个基于生成对抗网络（GANs）的模型，以实现生成具有相应注释的人工数据集。人工数据集（假数据集）是将图像从白天时域转换到晚上时域而创建的。伪数据集仅包括目标域的注释图像（夜间图像），然后用于训练汽车检测器模型。实验结果表明，所提出的方法实现了显著和一致的改进，包括与仅使用可用注释数据（即日图像）的训练相比，检测性能提高了10%以上。

02

【计算机视觉】【图像处理综合应用】路沿检测

用python的OpenCV实现视频文件的处理，用videoCapture打开视频文件，读取每一帧进行处理，然后用videoWriter保存成视频。

01

GAN-Based Day-to-Night Image Style Transfer forNighttime Vehicle Detection

数据增强在训练基于CNN的检测器中起着至关重要的作用。以前的大多数方法都是基于使用通用图像处理操作的组合，并且只能产生有限的看似合理的图像变化。最近，基于生成对抗性网络的方法已经显示出令人信服的视觉结果。然而，当面临大而复杂的领域变化时，例如从白天到晚上，它们很容易在保留图像对象和保持翻译一致性方面失败。在本文中，我们提出了AugGAN，这是一种基于GAN的数据增强器，它可以将道路行驶图像转换到所需的域，同时可以很好地保留图像对象。这项工作的贡献有三个方面：（1）我们设计了一个结构感知的未配对图像到图像的翻译网络，该网络学习跨不同域的潜在数据转换，同时大大减少了转换图像中的伪影； 2）我们定量地证明了车辆检测器的域自适应能力不受其训练数据的限制；（3）在车辆检测方面，我们的目标保护网络在日夜困难的情况下提供了显著的性能增益。与跨领域的不同道路图像翻译任务的竞争方法相比，AugGAN可以生成更具视觉合理性的图像。此外，我们通过使用转换结果生成的数据集训练Faster R-CNN和YOLO来定量评估不同的方法，并通过使用所提出的AugGAN模型证明了目标检测精度的显著提高。

02

使用OpenCV检测坑洼

坑洼是道路的结构性指标，事先发现坑洼地可以延长高速公路的使用寿命，防止事故的发生，同时降低死亡率。

02

手把手教你实现图象边缘检测！

一、边缘检测的概念边缘检测是图像处理与计算机视觉中极为重要的一种分析图像的方法，至少在我做图像分析与识别时，边缘是我最喜欢的图像特征。边缘检测的目的就是找到图像中亮度变化剧烈的像素点构成的集合，表现出来往往是轮廓。如果图像中边缘能够精确的测量和定位，那么，就意味着实际的物体能够被定位和测量，包括物体的面积、物体的直径、物体的形状等就能被测量。在对现实世界的图像采集中，有下面4种情况会表现在图像中时形成一个边缘。深度的不连续（物体处在不同的物平面上）；表面方向的不连续（如正方体的不同的两个面）；物体材

07

传统图像边缘检测方法

图像轮廓边缘指的是图像中目标对象和背景之间的区分明显的交界线。对于数字图像来说，图像边缘是数字图像中灰度变化比较大的点，它是物体最基本的特征之一。基于图像边缘灰度剧烈变化的特征，传统的边缘检测方法往往根据灰度变化的情况进行边缘提取。

01

工学专业必备软件 Halcon机器视觉21.1版下载安装

Halcon是由德国MVTec公司研发的一款机器视觉软件，是目前广泛应用于机器视觉领域的主流软件之一。Halcon具有强大的图像处理、分析、检测等功能，可以帮助从业人员更便捷和高效地完成图像处理和机器视觉工作。

00

只需 15 行代码即可进行人脸检测！(使用Python 和 OpenCV)

无论你是最近开始探索OpenCV还是已经使用它很长一段时间，在任何一种情况下，您都一定遇到过“人脸检测”这个词。随着机器变得越来越智能，它们模仿人类行为的能力似乎也在增加，而人脸检测就是人工智能的进步之一。

02

DEEP DOMAIN ADAPTIVE OBJECT DETECTION: A SURVEY

基于深度学习的目标检测获得了很大的方法。这些方法基本上假定可以获得大规模的训练标签，训练和测试数据服从理想的分布。然而这两个假设在实际中通常不满足。深度域适配目标检测做为一种新的学习范式开始出现，来解决上述问题。这篇文章旨在对最先进的域适配目标检测方法进行综述。首先，我们简要介绍域适配的概念。第二，深度域适配检测器可以分为四类，并提供了每个类别中有代表性的方法的详细说明。最后给出了将来的研究趋势。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭