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

如何从边界框裁剪图像并为每个框创建新图像

从边界框裁剪图像并为每个框创建新图像的过程可以通过以下步骤完成：

边界框检测：使用目标检测算法（如YOLO、SSD、Faster R-CNN等）来检测图像中的边界框。这些边界框表示了图像中感兴趣的目标物体的位置和大小。
边界框裁剪：根据检测到的边界框的位置信息，将原始图像中对应的区域进行裁剪，得到每个边界框所包含的目标物体的图像片段。
创建新图像：将裁剪得到的图像片段保存为新的图像文件。可以为每个边界框创建一个新的图像文件，也可以将所有图像片段保存在一个文件中。

这个过程在计算机视觉领域中广泛应用于目标检测、目标跟踪、图像分割等任务中。通过裁剪边界框并创建新图像，可以将目标物体从原始图像中分离出来，便于后续的处理和分析。

在腾讯云的产品中，可以使用腾讯云的图像处理服务来实现边界框裁剪图像的功能。具体可以使用腾讯云的图像处理（Image Processing）服务，该服务提供了丰富的图像处理功能，包括图像裁剪、缩放、旋转等操作，可以方便地实现边界框裁剪图像的需求。

腾讯云图像处理产品介绍链接地址：https://cloud.tencent.com/product/imgpro

相关搜索:如何根据边界框裁剪图像使用边界框从图像裁剪面从图像标签创建边界框从带有边界框列表的图像中裁剪多个边界框从Numpy数组的图像中裁剪边界框语法错误-使用边界框坐标裁剪图像在灰度图像上创建边界框如何从图像中获取随机边界框？(python)如何从findContours裁剪边界框内的图像如何使用边界框坐标裁剪图像中的感兴趣区域？如何获取地址簿图像数据的裁剪框？从边界框中提取图像-选择性搜索从YOLO边界框坐标中提取单独的图像如何保存裁剪框生成的按键事件中的裁剪图像 Tkinter:如何从缩放的图像中获得正确的边界框？GeoDjango:如何从边界框创建几何对象？如何在两个边界框接触时保存图像尝试确定图像中边界框的坐标并进一步裁剪它如何从文件夹中读取每个文件并为每个文件创建单独的数据框？如果图像有过渡效果，如何在图像上创建悬停框？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

Advanced CNN Architectures（R-CNN系列）

除了将该图像标记为猫外，还需要定位图中的猫，典型方法是在该猫周围画一个边界框，这个方框可以看做定义该方框的一系列坐标，(x,y) 可以是方框的中心w 和 h 分别表示方框的宽和高。要计算这些值我们可以使用典型分类 CNN，用到的很多相同结构。

02

「Adobe国际认证」Adobe Photoshop调整裁剪、旋转和画布大小

可以在扫描仪中放入若干照片并一次性扫描它们，这将创建一个图像文件。“裁剪并修齐照片”命令是一项自动化功能，可以通过多图像扫描创建单独的图像文件。

02

训练文本识别器，你可能需要这些数据集

我们知道，监督式深度学习非常依赖于带标签的数据集，通常数据集越大，训练出的模型效果越好，对于文本检测和识别也是如此，为了训练出好的模型，我们需要大型数据集。然而，为了收集真实世界的带标签的图片数据集非常难，为图片做标注非常耗时，代价昂贵，个人和小型企业无法承担。得益于互联网的开放性，我们可以得到许多大的公司和研究机构标注好的数据集，下面就简单汇总一下在文本检测和识别领域有哪些开放数据集。

03

「Adobe国际认证」Adobe Photoshop，如何裁剪并拉直照片？

裁剪是移去部分照片以打造焦点或加强构图效果的过程。在 Photoshop 中使用裁剪工具裁剪并拉直照片。裁剪工具是非破坏性的，您可以选择保留裁剪的像素以便稍后优化裁剪边界。裁剪工具还提供直观的方法，可让您在裁剪时拉直照片。

01

使用Keras和OpenCV实时预测年龄、性别和情绪 (详细步骤+源码)

来源 | https://towardsdatascience.com/real-time-age-gender-and-emotion-prediction-from-webcam-with-keras-and-opencv-bde6220d60a

02

计算机视觉面试中一些热门话题整理

通常在机器学习面试中，问完常见基础知识的技术问题之后会有具体的项目问题的讨论，所以这里准备了一些项目相关的话题，以可以帮助你准备和通过计算机视觉相关的面试。

05

原创 | 一文读懂多模态强化学习

多模态强化学习是将多个感知模态和强化学习相结合的方法，能够使智能系统从多个感知源中获取信息，并利用这些信息做出更好的决策。这种方法对于处理现实世界中的复杂任务具有潜在的价值，并为智能系统的发展提供了新的研究方向。

01

何恺明等最新论文：实例分割全新方法TensorMask，效果比肩 Mask R-CNN

现代实例分割方法主要是先检测对象边界框，然后进行裁剪和分割， Mask R-CNN 是目前这类方法中最优秀的。

02

使用SSD进行目标检测：目标检测第二篇

【导读】近日，CV-Tricks.com发布了一篇文章，使用SSD进行目标检测，SSD是当前最流行的目标检测算法之一。作者从检测的基本概念、滑动窗口检测、减少滑动窗口方法的冗余计算、修改后网络的训练方

05

当一个程序员决定穿上粉色裤子

这个想法在我脑海中不停地闪现，始终没有遇到特别合适的契机进行实践。直到最近，我遇到了一个名为 Fashion AI 的项目，它主要利用微调模型对服装图片进行分割（segmentation），然后裁剪出图像中标注（label）的时尚单品，并将所有图片调整为相同的大小，最后将这些图像转化为 embedding 向量存储在开源向量数据库 Milvus 中。通过这个项目可以在 Milvus 数据库中查询并获得 3 个最相似的向量结果。随后，就可以通过上传一张自己穿着打扮的照片，最终确定与我们时尚风格最为相似的明星。

04

滑动窗口也能用于实例分割，陈鑫磊、何恺明等人提出图像分割新范式

作者：Xinlei Chen、Ross Girshick、Kaiming He、Piotr Dollar

01

Scalable Object Detection using Deep Neural Networks

深度卷积神经网络最近在一系列图像识别基准测试中取得了最先进的性能，包括ImageNet大规模视觉识别挑战(ILSVRC-2012)。在定位子任务中获胜的模型是一个网络，它预测一个边界框和图像中每个目标类别的置信度得分。这样的模型捕获目标周围的整个图像上下文，但是如果不天真地复制每个实例的输出数量，就不能处理图像中相同目标的多个实例。在这项工作中，我们提出了一个显著性激发的神经网络模型用于检测，它预测了一组与类无关的边界框，以及每个框的一个得分，对应于它包含任何感兴趣的目标的可能性。模型自然地为每个类处理可变数量的实例，并允许在网络的最高级别进行跨类泛化。我们能够在VOC2007和ILSVRC2012上获得具有竞争力的识别性能，同时只使用每张图像中预测的前几个位置和少量的神经网络评估。

02

论文推荐：ReLICv2 ，新的自监督学习能否在ResNet 上超越监督学习？

来源：DeepHub IMBA本文约2500字，建议阅读5分钟自监督 ResNets 能否在 ImageNet 上没有标签的情况下超越监督学习？在本文中将介绍最近一篇推动自监督学习状态向前发展的论文，该论文由 DeepMind 发表，绰号为 ReLICv2。 Tomasev 等人的论文“Pushing the limits of self-supervised ResNets: Can we outperform supervised learning without labels on ImageNet

03

论文推荐：ReLICv2 ，新的自监督学习能否在ResNet 上超越监督学习？

自监督 ResNets 能否在 ImageNet 上没有标签的情况下超越监督学习？

03

「鲸脸识别」已上线，夏威夷大学用 5 万张图像训练识别模型，平均精度 0.869

内容一览：人脸识别可以锁定人类身份，这一技术延申到鲸类，便有了「背鳍识别」。「背鳍识别」是利用图像识别技术，通过背鳍识别鲸类物种。传统的图像识别依赖于卷积神经网络 (CNN) 模型，需要大量训练图像，并且只能识别某些单物种。近期，夏威夷大学的研究人员训练了一种多物种图像识别模型，该模型在鲸类应用中表现出色。

05

一种简单的Few Shot 目标检测方法

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链接: https://arxiv.org/pdf/2112.05749.pdf 计算机视觉研究院专栏作者：Edison_G 少样本目标检测（few-shot object detection，FSOD）——仅在少数训练实例的情况下为新类别扩展目标检测器的任务 01 前言今天分享的目标是少样本目标检测（few-shot object detection，FSOD）——

03

Label,Verify,Correct：一种简单的Few Shot 目标检测方法

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链接: https://arxiv.org/pdf/2112.05749.pdf 计算机视觉研究院专栏作者：Edison_G 少样本目标检测（few-shot object detection，FSOD）——仅在少数训练实例的情况下为新类别扩展目标检测器的任务 01 前言今天分享的目标是少样本目标检测（few-shot object detection，FSOD）——

02

Swin-Transformer再次助力夺冠 | Kaggle第1名方案解读（工程人员建议必看）

前面使用检测网络预测的边界框来裁剪图像，并将它们的大小调整为512×512。裁剪后的图像路径被输入到分割网络以获得Instance Mask。

04

全新训练及数据采样&增强策略、跨尺度泛化能力强，FB全景分割实现新SOTA

全景分割网络可以应对很多任务（目标检测、实例分割和语义分割），利用多批全尺寸图像进行训练。然而，随着任务的日益复杂和网络主干容量的不断增大，尽管在训练过程中采用了诸如 [25,20,11,14] 这样的节约内存的策略，全图像训练还是会被可用的 GPU 内存所抑制。明显的缓解策略包括减少训练批次大小、缩小高分辨率训练图像，或者使用低容量的主干。不幸的是，这些解决方法引入了其他问题：1) 小批次大小可能导致梯度出现较大的方差，从而降低批归一化的有效性 [13]，降低模型的性能；2）图像分辨率的降低会导致精细结构的丢失，这些精细结构与标签分布的长尾目标密切相关；3）最近的一些工作[28,5,31] 表明，与容量较低的主干相比，具有复杂策略的更大的主干可以提高全景分割的结果。

01

OpenCV 4基础篇| OpenCV图像的裁切

00

Robust Data Augmentation Generative Adversarial Networkfor Object Detection

基于生成对抗性网络（GAN）的数据扩充用于提高目标检测模型的性能。它包括两个阶段：训练GAN生成器以学习小目标数据集的分布，以及从训练的生成器中采样数据以提高模型性能。在本文中，我们提出了一种流程化的模型，称为鲁棒数据增强GAN（RDAGAN），旨在增强用于目标检测的小型数据集。首先，将干净的图像和包含来自不同域的图像的小数据集输入RDAGAN，然后RDAGAN生成与输入数据集中的图像相似的图像。然后，将图像生成任务划分为两个网络：目标生成网络和图像翻译网络。目标生成网络生成位于输入数据集的边界框内的目标的图像，并且图像转换网络将这些图像与干净的图像合并。定量实验证实，生成的图像提高了YOLOv5模型的火灾检测性能。对比评价表明，RDAGAN能够保持输入图像的背景信息，定位目标生成位置。此外，消融研究表明，RDAGAN中包括的所有组件和物体都发挥着关键作用。

02

Open-YOLO 3D | 仅利用 RGB 图像的2D目标检测，实现快速准确的开放词汇3D实例分割！

三维实例分割是计算机视觉任务，涉及预测三维点云场景中单个目标的 Mask 。它在机器人学和增强现实等领域具有重要意义。由于其在多样化应用中的重要性，近年来这一任务受到了越来越多的关注。研究行人长期以来一直专注于通常在封闭集合框架内操作的方法，这限制了它们识别训练数据中不存在目标的能力。

01

数据科学家目标检测/实例分割指南

原标题 | Demystifying Object Detection and Instance Segmentation for Data Scientists

04

深入浅出理解Faster R-CNN

。这个方法显然存在一些问题，比如当物体是不同大小有不同的宽高比，那训练一个效果很好的检测模型将会是非常复杂的（复杂的原因有两个，一个是如果整个图片很大，那么预测出的边界框坐标的绝对值变化很大，不容易拟合；第二个原因则是框的大小长宽都在变化，加大了我们的拟合难度）。另一个问题则是会存在一些无效的预测，比如当预测

02

YOLC 来袭 | 遥遥领先！YOLO与CenterNet思想火花碰撞，让小目标的检测性能原地起飞，落地价值极大 !

为了解决这些问题，作者提出了YOLC（You Only Look Clusters），这是一个高效且有效的框架，建立在 Anchor-Free 点目标检测器CenterNet之上。为了克服大规模图像和不均匀物体分布带来的挑战，作者引入了一个局部尺度模块（LSM），该模块自适应搜索聚类区域进行放大以实现精确检测。此外，作者使用高斯Wasserstein距离（GWD）修改回归损失，以获得高质量的边界框。在检测Head中采用了可变形卷积和细化方法，以增强小物体的检测。作者在两个空中图像数据集上进行了大量实验，包括Visdrone2019和UAVDT，以证明YOLC的有效性和优越性。

02

yolo 实例分割_jacobi椭圆函数

我们提出了一个简单的、完全卷积的实时实例分割模型，在MS-COCO上达到29.8map，在单个Titan Xp上以33.5fps的速度进行评估，这比以往任何竞争方法都要快得多。而且，我们只在一个GPU上训练就得到了这个结果。我们通过将实例分割分成两个子任务来实现这一点：（1）生成一组原型掩码；（2）预测每个实例的掩码系数。然后，我们通过将原型与掩码系数结合起来，生成实例masksby。我们发现，由于这个过程不依赖于再冷却，这种方法产生了非常高质量的掩模，并免费展示了时间稳定性。此外，我们还分析了原型的涌现行为，并展示了它们在完全卷积的情况下，以一种翻译变体的方式学会了自己定位实例。最后，我们还提出了快速NMS，它比仅具有边际性能损失的标准NMS快12 ms。

04

1024x1024 分辨率，效果惊人！InsetGAN：全身图像生成 (CVPR 2022)

该论文是出自于CVPR2022关于GAN的最新文章。要知道虽然目前GAN可以在某些领域的理想条件下能够生成逼真的图像，但由于发型、服装和姿势的多样性，生成全身人体图像仍然很困难，之前的方法一般是用单个GAN对这个复杂域进行建模。

04

YOLC 来袭 | 遥遥领先！YOLO与CenterNet思想火花碰撞，让小目标的检测性能原地起飞，落地价值极大 !

近年来，目标检测取得了显著进展，尤其是随着深度学习的快速发展。目标检测器（如Faster R-CNN，YOLO，和SSD）在自然图像数据集（如MS COCO，Pascal VOC）上取得了卓越成果。然而，它们在航拍图像上的表现，在准确性和效率方面尚未达到满意水平。

01

使用图神经网络优化信息提取的流程概述

在这篇文章中，我们将介绍票据数字化的问题，即从纸制收据（如医疗发票、门票等）中以标签的形式提取必要和重要的信息。这些类型的模型在现实生活中非常有用，可以帮助用户，为了更好地理解数据，我们日常工作的很大一部分仍然是处理纸制收据（扫描件）。在自然语言处理领域，这项任务称为序列标记，因为我们以某种形式的预定义类标记每个输入实体，例如杂货店购物的正常收据，标签可以是 TOTAL_KEY、SUBTOTAL_KEY、COMPANY_NAME、COMPANY_ADDRESS、DATE、下图描述了这些工作的一般流程，将在接下来的部分中一一描述。

02

【他山之石】CVPR24｜MASA开源：刷新监督学习SOTA，无监督多目标跟踪时代来临！

在计算机视觉的征途中，多目标跟踪（MOT）扮演着至关重要的角色，尤其是在自动驾驶等前沿技术领域。然而，现有技术大多受限于特定领域的标注视频数据集，这不仅限制了模型的泛化能力，也增加了应用成本。本文介绍的MASA（Matching Anything by Segmenting Anything）方法，以其创新的无监督学习策略，为多目标跟踪领域带来了革命性的突破。

01

MoCo不适用于目标检测？MSRA提出对象级对比学习的目标检测预训练方法SoCo！性能SOTA！（NeurIPS 2021）

本文分享 NeurIPS 2021 论文『Aligning Pretraining for Detection via Object-Level Contrastive Learning』MSRA提出对象级对比学习的目标检测预训练方法！性能SOTA！

04

老婆问「我今天穿什么合适」？让AI来帮你想答案吧

这个问题很难回答，因为第一我对时尚无感，而 Yumi 则刚好相反，她拥有一个时装设计学位。第二，我记不住过去几周她穿过什么衣服，所以没法提供多样化的答案。

04

GoogleNet_google翻译学术论文

我们在ImageNet大规模视觉识别挑战赛2014（ILSVRC14）上提出了一种代号为Inception的深度卷积神经网络结构，并在分类和检测上取得了新的最好结果。这个架构的主要特点是提高了网络内部计算资源的利用率。通过精心的手工设计，我们在增加了网络深度和广度的同时保持了计算预算不变。为了优化质量，架构的设计以赫布理论和多尺度处理直觉为基础。我们在ILSVRC14提交中应用的一个特例被称为GoogLeNet，一个22层的深度网络，其质量在分类和检测的背景下进行了评估。

05

500万面孔 - 面部识别的前15个免费图像数据集

从手机安全和监控摄像头到增强现实和摄影，计算机视觉的面部识别分支具有多种有用的应用。根据您的具体项目，可能需要在不同光照条件下的面部图像或表达不同情绪的面部。从使用面部关键点注释的视频帧到真实和伪造的脸部图像对，此列表上的数据集的大小和范围各不相同。

04

基于OpenCV的数字识别系统

2012年iOS应用商店中发布了一个名为FuelMate的Gas跟踪应用。小伙伴们可以使用该应用程序跟踪汽油行驶里程，以及有一些有趣的功能，例如Apple Watch应用程序、vin.li集成以及基于趋势mpg的视觉效果。

02

使用MediaPipe进行设备上的实时手部跟踪

能够感知手的形状和运动，这是改善各种技术领域和平台的用户体验的重要组成部分。例如，它可以形成手语理解和手势控制的基础，并且还可以在增强现实中实现物理世界之上的数字内容和信息的叠加。虽然对人们来说很自然，强大的实时手感是一项极具挑战性的计算机视觉任务，因为手经常遮挡自己或彼此（例如手指/手掌闭塞和手抖）并且缺乏高对比度模式。

02

使用 Python 和 OpenCV 进行数据增广

数据扩充是一种增加数据集多样性的技术，无需收集更多真实数据，但仍有助于提高模型精度并防止模型过度拟合。在这篇文章中，我们将学习使用 Python 和 OpenCV 为对象检测任务实现最流行和最有效的数据扩充过程。

06

成熟的目标检测，也该自己学习数据增强策略达到SOTA了

2018 年，谷歌大脑的研究者在 arXiv 上发表论文，提出一种自动搜索合适数据增强策略的方法 AutoAugment。该方法创建一个数据增强策略的搜索空间，利用搜索算法选取适合特定数据集的数据增强策略，从而在 ImageNet、CIFAR 等分类任务上取得了极好的表现。

01

使用深度学习从安全摄像头中检测车位占用率

在停车场找到一个空位是一个棘手的问题。如果传入的流量变化很大，甚至很难管理这些批次。哪个车位在这个时刻空置？什么时候需要更多车位？驾驶员是否发现很难到达特定的位置？哪辆车停在哪里？谁把车停好了？

06

目标检测新范式！扩散模型用于目标检测，代码即将开源

大家好，今天和大家分享一篇最新的论文 DiffusionDet: Diffusion Model for Object Detection 论文和代码地址已公布

04

CornerNet: Detecting Objects as Paired Keypoints

我们提出了一种新的对象检测方法——拐角网络，该方法利用单一的卷积神经网络将对象的左上角和右下角作为一对关键点检测出来。通过检测成对的关键点，我们消除了设计一组锚箱的需要，通常使用单级检测器。除了我们的新公式，我们还引入了角池化，这是一种新的池化层，可以帮助网络更好地定位角。实验表明，在MS COCO上，CornerNet实现了42.2%的AP，优于现有的所有一级检测器。

02

22岁复旦学生拿下世界深度学习竞赛冠军：50层ResNet网络

【新智元导读】拥有世界上最大的开源车对车（V2V）网络的 Nexar 公布了第二届 Nexar 挑战赛的结果。来自复旦大学的Hengduo Li 拿下冠军。 10月29日，Nexar 公布了第二届 Nexar 挑战赛（使用NEXET 数据库实现户外汽车识别）的获奖名单。Nexar公司成立于2015年，使用智能手机和车辆的摄像头和传感器来创建驾驶感知和ADAS警报，以及发生碰撞时记录的证据。 Nexar 通过将智能手机转变为相互连接的 AI “汽车前端摄像头”，构建了世界上最大的开源车对车（V2V）网络。

07

从box-sizing:border-box属性入手，来了解盒模型

从最开始学习CSS的时候，就了解了盒模型的概念，今天，我们从其中的box-sizing:border-box;的属性入手，来重新认识一下盒模型在实际项目中的运用。

02

论文/代码速递2022.10.19！

CVPR2022论文和代码整理：https://github.com/DWCTOD/CVPR2022-Papers-with-Code-Demo

02

两阶段目标检测指南：R-CNN、FPN、Mask R-CNN

计算机视觉中最基本和最广泛研究的挑战之一是目标检测。该任务旨在在给定图像中绘制多个对象边界框，这在包括自动驾驶在内的许多领域非常重要。通常，这些目标检测算法可以分为两类：单阶段模型和多阶段模型。在这篇文章中，我们将通过回顾该领域一些最重要的论文，深入探讨用于对象检测的多阶段管道的关键见解。

03

【技术综述】深度学习自动构图研究报告

今天带来基于深度学习的图像构图的研究报告，主要涉及了基于CNN的图像剪裁方法的研究现状、数据集的发展、以及现有应用。

01

Going Deeper with Convolutions——GoogLeNet论文翻译——中文版

00

实战｜TF Lite 让树莓派记下你的美丽笑颜

我们很高兴展示借助 TensorFlow Lite 在 Raspberry Pi 上构建 Smart Photo Booth 应用的经验（我们尚未开放源代码）。该应用可以捕捉笑脸并自动进行记录。此外，您还可以使用语音命令进行交互。简而言之，借助 Tensorflow Lite 框架，我们构建出可实时轻松处理笑脸检测和识别语音命令的应用。

01

day2-Machine Learning Yearning图片上传失败，请查看原文：https://github.com/iOSDevLog/100-days-of-ai/blob/master/r

假设您的系统是使用复杂的机器学习流水线构建的, 并且您希望提高系统的性能。你应该在哪些方面努力改进？通过将错误归因于流水线的特定组件, 您可以决定如何排定工作的优先级。

01

如何用YOLO+Tesseract实现定制OCR系统？

在本文中，你将学习如何在深度学习的帮助下制作自己自定义的 OCR 来读取图像中的文字内容。我将通过 PAN-Card 图像的示例，带你学习如何进行文本检测和文本识别。但首先，让我们熟悉一下光学字符识别的过程。

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