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

滑动和图像分辨率

滑动是指在计算机领域中，通过手指或鼠标在触摸屏或触控板上进行滑动操作，以实现页面的滚动、内容的切换或其他交互效果。滑动操作通常用于移动设备上的触摸屏操作，也可以在桌面电脑上的触控板上进行。

图像分辨率是指图像中每英寸所包含的像素数量，通常用于描述图像的清晰度和细节程度。图像分辨率可以影响图像的质量和显示效果，较高的分辨率可以呈现更多的细节，而较低的分辨率则可能导致图像模糊或失真。

在云计算领域中，滑动和图像分辨率也有一些相关的应用和技术：

滑动操作在移动应用开发中广泛应用，可以通过前端开发技术实现页面的滚动、内容的切换等交互效果。腾讯云提供的移动开发解决方案包括腾讯移动开发套件（https://cloud.tencent.com/product/mss）和腾讯移动应用分发服务（https://cloud.tencent.com/product/cd）等。
图像分辨率在图像处理和多媒体处理中起着重要作用。腾讯云提供的图像处理服务（https://cloud.tencent.com/product/iv）可以实现图像的裁剪、缩放、旋转等操作，帮助开发者处理图像分辨率的需求。

总结起来，滑动和图像分辨率在云计算领域中是与移动开发、图像处理等相关的概念和技术。腾讯云提供了相应的产品和服务，帮助开发者实现滑动操作和处理图像分辨率的需求。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

在目标检测中如何解决小目标的问题？

在深度学习目标检测中，特别是人脸检测中，由于分辨率低、图像模糊、信息少、噪声多，小目标和小人脸的检测一直是一个实用和常见的难点问题。然而，在过去几年的发展中，也出现了一些提高小目标检测性能的解决方案。本文将对这些方法进行分析、整理和总结。

01

零基础 Pytorch 入门超分辨率

超分辨率（Super-Resolution, SR）重建技术的基本思想是釆用信号处理的方法，在改善低分辨率（Low Resolution, LR）图像质量的同时，重建成像系统截止频率之外的信息，从而在不改变硬件设备的前提下，获取高分辨率（High Resolution, HR）的图像。

03

生成专题4 | StyleGAN2的其他改进

在生产人脸的同时，我们希望可以控制人脸的属性，不同的latent code可以得到不同的人脸，当确定latent code变化的具体方向时，该方向上不同的大小对应了图像上某一个具体变化的不同幅度。为了达到这个目的，设计了Path legnth regularization，这个正则化的公式如下：

03

学界 | 全景照片不怕歪！Facebook 用神经网络矫正扭曲的地平线

AI科技评论按：最近微博上的全景照片很火呀，相比各位都已经在自己的iPhone或者iPad上品鉴了多家IT公司的办公室、游玩了多个旅游胜地、享受了被小猫小狗环绕的感觉了。太平洋那头的Facebook也没闲着，从去年上线类似的功能以后，全世界 Facebook 用户们已经上传了七千万张全景照片了。 Facebook 支持多种全景照片和全景视频的拍摄方式，可以让人们把自己的全方位感受分享给好朋友们。如果用户有一个专门的全景摄像机，比如理光Theta S或者Giroptic iO，还可以直接把相机里的照片发布

07

Super-Resolution on Object Detection Performance in Satellite Imagery

探讨了超分辨率技术在卫星图像中的应用，以及这些技术对目标检测算法性能的影响。具体来说，我们提高了卫星图像的固有分辨率，并测试我们能否以比固有分辨率更高的精度识别各种类型的车辆、飞机和船只。使用非常深的超分辨率(VDSR)框架和自定义随机森林超分辨率(RFSR)框架，我们生成了2×、4×和8×的增强级别，超过5个不同的分辨率，范围从30厘米到4.8米不等。使用本地和超解析数据，然后使用SIMRDWN对象检测框架训练几个定制的检测模型。SIMRDWN将许多流行的目标检测算法(如SSD、YOLO)组合成一个统一的框架，用于快速检测大型卫星图像中的目标。这种方法允许我们量化超分辨率技术对跨多个类和分辨率的对象检测性能的影响。我们还量化了目标检测的性能作为一个函数的本机分辨率和目标像素大小。对于我们的测试集，我们注意到性能从30 cm分辨率下的平均精度(mAP) = 0.53下降到4.8 m分辨率下的mAP = 0.11。从30厘米图像到15厘米图像的超级分辨效果最好;mAP改进了13 - 36%。对于较粗的分辨率而言，超级分辨率的好处要小一些，但仍然可以在性能上提供小的改进。

00

StyleSwin: Transformer-based GAN for High-resolution Image Generation

尽管Transformer在广泛的视觉任务中取得了诱人的成功，但在高分辨率图像生成建模方面，Transformer还没有表现出与ConvNets同等的能力。在本文中，我们试图探索使用Transformer来构建用于高分辨率图像合成的生成对抗性网络。为此，我们认为局部注意力对于在计算效率和建模能力之间取得平衡至关重要。因此，所提出的生成器在基于风格的架构中采用了Swin Transformer。为了实现更大的感受野，我们提出了双重关注，它同时利用了局部窗口和偏移窗口的上下文，从而提高了生成质量。此外，我们表明，提供基于窗口的Transformer中丢失的绝对位置的知识极大地有利于生成质量。所提出的StyleSwan可扩展到高分辨率，粗糙的几何结构和精细的结构都得益于Transformer的强大表现力。然而，在高分辨率合成期间会出现块伪影，因为以块方式执行局部关注可能会破坏空间相干性。为了解决这个问题，我们实证研究了各种解决方案，其中我们发现使用小波鉴别器来检查频谱差异可以有效地抑制伪影。大量实验表明，它优于现有的基于Transformer的GANs，尤其是在高分辨率（例如1024×1024）方面。StyleWin在没有复杂训练策略的情况下，在CelebA HQ 1024上优于StyleGAN，在FFHQ-1024上实现了同等性能，证明了使用Transformer生成高分辨率图像的前景。

02

Feature Pyramid Networks for Object Detection

特征金字塔是不同尺度目标识别系统的基本组成部分。但最近的深度学习对象检测器已经避免了金字塔表示，部分原因是它们需要大量的计算和内存。本文利用深卷积网络固有的多尺度金字塔结构构造了具有边际额外成本的特征金字塔。提出了一种具有横向连接的自顶向下体系结构，用于在所有尺度上构建高级语义特征图。该体系结构称为特征金字塔网络(FPN)，作为一种通用的特征提取器，它在几个应用程序中得到了显著的改进。在一个基本的Fasater R-CNN系统中使用FPN，我们的方法在COCO检测基准上实现了最先进的单模型结果，没有任何附加条件，超过了所有现有的单模型条目，包括来自COCO 2016挑战赛冠军的条目。此外，我们的方法可以在GPU上以每秒6帧的速度运行，因此是一种实用而准确的多尺度目标检测解决方案。

02

从RCNN到SSD，深度学习目标检测算法盘点

之前已经讨论过非常多的目标检测算法，对计算机视觉感兴趣的读者也可以结合以前的文章加强理解。

02

深度学习检测小目标常用方法汇总

在深度学习目标检测中，特别是人脸检测中，小目标、小人脸的检测由于分辨率低，图片模糊，信息少，噪音多，所以一直是一个实际且常见的困难问题。不过在这几年的发展中，也涌现了一些提高小目标检测性能的解决手段，本文对这些手段做一个分析、整理和总结。

03

Tensorflow入门教程（五十一）——H2NF-Net

今天将分享Unet的改进模型H2NF-Net，改进模型来自2020年的论文《H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd Place Solution to BraTS Challenge 2020 Segmentation Task》，简单明了给大家分析理解该模型思想。

02

从RCNN到SSD，这应该是最全的一份目标检测算法盘点

选自 Medium 作者：Jonathan Hui 机器之心编译目标检测是很多计算机视觉任务的基础，不论我们需要实现图像与文字的交互还是需要识别精细类别，它都提供了可靠的信息。本文对目标检测进行了整体回顾，第一部分从RCNN开始介绍基于候选区域的目标检测器，包括Fast R-CNN、Faster R-CNN 和 FPN等。第二部分则重点讨论了包括YOLO、SSD和RetinaNet等在内的单次检测器，它们都是目前最为优秀的方法。机器之心之前已经讨论过非常多的目标检测算法，对计算机视觉感兴趣的读者也可以结

07

目标分割技术-语义分割总览

目标分割是计算机视觉领域的一个重要任务，旨在从图像或视频中准确地分割出特定的目标或对象。与目标检测关注物体位置和边界框不同，目标分割要求精确地识别并标记目标的每个像素，实现对目标的像素级别理解。

04

『SD』ControlNet基础讲解

在学习和使用『Stable Diffusion』的过程中，『ControlNet』是一个不可忽视的关键组件。『ControlNet』是一个用于增强图像生成过程可控性的强大工具，允许用户通过提供特定的控制图像来精确指导生成结果。本文将讲解『ControlNet』的基本概念。

01

南京大学&港中文提出首个支持超高分辨率(10000x10000)图像风格迁移方案

本文提出一种非常简单的极限分辨率的风格迁移框架URST，首个可以处理任意高分辨率(比如

05

从RCNN到SSD，这应该是最全的一份目标检测算法盘点

选自 Medium 作者：Jonathan Hui 机器之心编译目标检测是很多计算机视觉任务的基础，不论我们需要实现图像与文字的交互还是需要识别精细类别，它都提供了可靠的信息。本文对目标检测进行了整体回顾，第一部分从RCNN开始介绍基于候选区域的目标检测器，包括Fast R-CNN、Faster R-CNN 和 FPN等。第二部分则重点讨论了包括YOLO、SSD和RetinaNet等在内的单次检测器，它们都是目前最为优秀的方法。机器之心之前已经讨论过非常多的目标检测算法，对计算机视觉感兴趣的读者也可以结

02

什么是移动端开发【重点学习系列—干货十足–一万字详解】

屏幕大小指屏幕的对角线的长度，单位一般是英寸。常见的手机屏幕大小 3.5、4、4.7、5.0、5.5、6.0等。常见手机屏幕查看网址 http://screensiz.es/

02

【强基固本】深度学习检测小目标常用方法

“强基固本，行稳致远”，科学研究离不开理论基础，人工智能学科更是需要数学、物理、神经科学等基础学科提供有力支撑，为了紧扣时代脉搏，我们推出“强基固本”专栏，讲解AI领域的基础知识，为你的科研学习提供助力，夯实理论基础，提升原始创新能力，敬请关注。

01

iPhone X 适配指南 (官方翻译版)

iPhone X iPhone X包括一个大型，高分辨率，圆形的边缘到边缘的显示器，提供了一个沉浸式，内容丰富的体验，从未像以前那样。屏幕尺寸在纵向方向上，iPhone X上的显示屏的宽度与iPh

05

图像尺度空间理论_金字塔内部空间有多大

图像的尺度是指图像内容的粗细程度。尺度的概念是用来模拟观察者距离物体的远近的程度。具体来说，观察者距离物体远，看到物体可能只有大概的轮廓；观察者距离物体近，更可能看到物体的细节，比如纹理，表面的粗糙等等。从频域的角度来说，图像的粗细程度代表的频域信息的低频成分和高频成分。粗质图像代表信息大部分都集中在低频段，仅有少量的高频信息。细致图像代表信息成分丰富，高低频段的信息都有。

03

EDTER:基于transform的边缘检测

边缘检测是计算机视觉中最基本的问题之一，具有广泛的应用。边缘检测的目的是提取出准确的目标边界和视觉显著边缘。边缘检测与上下文和图像语义信息相关密切。

07

Facebook 推介 TensorMask：一种新的密集滑动窗口分割技术

近日，Facebook 发布了一项新的研究，该研究探索了实例分割的新方法。与掩模 R-CNN 驱动的标准方法相比，TunSoMeM 为探索分割研究提供了新的方向。本文是有关这项研究的具体内容。

01

通用文档理解新SOTA，多模态大模型TextMonkey来了

最近，华中科技大学和金山的研究人员在多模态大模型 Monkey [1]（Li et al., CVPR2024）工作的基础上提出 TextMonkey。在多个场景文本和文档的测试基准中，TextMonkey 处于国际领先地位，有潜力带来办公自动化、智慧教育、智慧金融等行业应用领域的技术变革。

01

VRT : 视频恢复变压器

视频恢复(如视频超分辨率)旨在从低质量帧恢复高质量帧。与单个图像恢复不同，视频恢复通常需要利用多个相邻但通常不对齐的视频帧的时间信息。现有的视频恢复方法主要分为两大类:基于滑动窗口的方法和循环方法。如图 1（a）所示，基于滑动窗口的方法通常输入多个帧来生成单个 HQ 帧，并以滑动窗口的方式处理长视频序列。在推理中，每个输入帧都要进行多次处理，导致特征利用效率低下，计算成本增加。其他一些方法是基于循环架构的。如图 1（b）所示，循环模型主要使用之前重构的 HQ 帧进行后续的帧重构。由于循环的性质，它们有三个缺点。首先，循环方法在并行化方面受到限制，无法实现高效的分布式训练和推理。其次，虽然信息是逐帧积累的，但循环模型并不擅长长期的时间依赖性建模。一帧可能会强烈影响相邻的下一帧，但其影响会在几个时间步长后迅速消失。第三，它们在少帧视频上的性能明显下降。

01

《Deeplab V1》论文阅读

同时，我截取Caffe中的deeplabv1中的prototxt的网络结构可视化图：

03

cvpr目标检测_目标检测指标

Feature pyramids are a basic component in recognition systems for detecting objects at different scales. But recent deep learning object detectors have avoided pyramid representations, in part because they are compute and memory intensive. In this paper , we exploit the inherent multi-scale, pyramidal hierarchy of deep convolutional networks to construct feature pyramids with marginal extra cost. A topdown architecture with lateral connections is developed for building high-level semantic feature maps at all scales. This architecture, called a Feature Pyramid Network (FPN), shows significant improvement as a generic feature extractor in several applications. Using FPN in a basic Faster R-CNN system, our method achieves state-of-the-art singlemodel results on the COCO detection benchmark without bells and whistles, surpassing all existing single-model entries including those from the COCO 2016 challenge winners. In addition, our method can run at 6 FPS on a GPU and thus is a practical and accurate solution to multi-scale object detection. Code will be made publicly available.

04

在小目标检测上另辟蹊径的SNIP

相信大家都或多或少的熟悉一些检测器，不知道你是否思考过这样一个问题？FPN的多特征图融合方式一定是最好的吗？如果你看过【CV中的特征金字塔】一，工程价值极大的ASFF这篇论文的话，你应该知道这篇论文的出发点就是如何对不同尺度的特征做自适应特征融合（感觉也可以叫作FPN+Attention），而非【CV中的特征金字塔】二，Feature Pyramid Network那样较为暴力的叠加（不知道这个说法是否稳妥，有意见欢迎来提）。而今天要介绍的这个SNIP（「An Analysis of Scale Invariance in Object Detection – SNIP」）算法，是CVPR 2018的文章，它的效果比同期的目标检测算法之CVPR 2018 Cascade R-CNN效果还好一些。为什么说这个算法是另辟蹊径呢？因为这个算法从COCO数据集开始分析，作者认为目标检测算法的难点在于「数据集中目标的尺寸分布比较大，尤其对小目标的检测效果不太好」，然后提出了本文的SNIP算法。

02

"羊驼"入侵CV，美团&浙大沈春华团队将LLaMA向CV扩展，构建全新基础模型VisionLLaMA

大型语言模型构建在基于Transformer的架构之上来处理文本输入, LLaMA 系列模型在众多开源实现中脱颖而出。类似LLaMa的Transformer可以用来处理2D图像吗？在本文中，我们通过提出一种类似 LLaMA 的朴素和金字塔形式的Transformer来回答这个问题，称为 VisionLLaMA。VisionLLaMA 是一个统一的通用建模框架，用于解决大多数视觉任务。

01

业内视频超分辨率新标杆，快手&大连理工研究登上CVPR 2022

转载整理自快手音视频技术量子位 | 公众号 QbitAI 现在，视频超分辨率算法又迎来新突破。一篇最新登上CVPR 2022的论文，从一种新的视角，统一了视频超分辨率中的低分辨率和高分辨率的时序建模思路。论文提出一种新的视频超分辨率框架，以较小的计算代价，充分利用了低分辩和高分辨率下的时序互补信息，以此带来更多细节和纹理的超分辨率结果。研究在多个公开数据集上达到了SOTA效果，也为后续的视频超分辨率研究提供了新的灵感。文章地址：https://arxiv.org/abs/2204.07114

04

刷剧不忘学习：用Faster R-CNN定位并识别辛普森一家中多个人物

王小新编译自 Medium 量子位出品 | 公众号 QbitAI Alexandre Attia是《辛普森一家》的狂热粉丝，在之前他已经写了一篇用卷积神经网络来识别20个辛普森人物的教程。给定一个人物图片后，该模型能返回该图片的所属类别，识别效果相当好，F1分值可达96%。量子位翻译过这篇教程：刷剧不忘学CNN：TF+Keras识别辛普森一家人物 | 教程+代码+数据集相关数据集已经在Kaggle上开源，但是该CNN模型每次只能识别单个人物，且不能指出该人物的图片位置。作者不满足于只构建了一个简单

MIT 6.S094· 深度学习 | 学霸的课程笔记，我们都替你整理好了

计算机视觉，到目前为止都是深度学习。并且大部分成功理解图片含义的案例都是使用神经网络。

02

MIT 6.S094· 深度学习 | 学霸的课程笔记，我们都替你整理好了

计算机视觉，到目前为止都是深度学习。并且大部分成功理解图片含义的案例都是使用神经网络。

05

听六小桨讲AI | 第1期：卷积概念及计算

在全连接网络[1]中，一张图像上的所有像素点会被展开成一个1维向量输入网络，如图1所示，28 x 28的输入数据被展开成为784 x 1的数据作为输入。

02

10分钟看懂全卷积神经网络（ FCN ）：语义分割深度模型先驱

今天是10月24日，既是程序员节，也是程序员感恩节。这一天，大家纷纷向那些无私奉献、一心为民的好人们，送出“好人一生平安”的美好祝愿。而“1024”，既是这一句话的数字密码。

01

stable diffusion的Unet的详解和稳定扩散

Unet是一种被广泛应用于图像分割任务的卷积神经网络结构。它的独特之处在于其编码器-解码器结构和跳跃链接的设计。本文将对Unet进行详细解析，并讨论其在稳定扩散方面的应用。

03

卷积神经网络入门基础

卷积神经网络（convolutional neural networks, CNN ) CNN 是针对图像领域任务提出的神经网络，经历数代人的发展，在2012年之后大部分图像任务被CNN统治，例如图像分类，图像分割，目标检测，图像检索等。

03

【最新】iPhone X 交互设计官方指南

昨天凌晨，苹果公司发布了带刘海的 iPhone X，这需要 iOS 开发者针对其屏幕做新的适配，会后苹果公司发布了 iPhone X 的适配指南，下面是翻译稿，供大家参考。

02

20年的目标检测大综述（章节2+）

今天我们继续接着上期第二章节继续说下去，但是今天内容较多，我们依然分两期把他说完。今天主要说说目标检测技术演变历程，我们一起来学习，共同进步！

02

ios学习7_iPhone屏幕尺寸、分辨率及适配

大家好，我是架构君，一个会写代码吟诗的架构师。今天说一说ios学习7_iPhone屏幕尺寸、分辨率及适配,希望能够帮助大家进步!!!

05

ios学习7_iPhone屏幕尺寸、分辨率及适配[通俗易懂]

上表中的宽高（width/height）为手机的物理尺寸，包括显示屏和边框。

02

关于Adobe Photoshop调整选区介绍

高品质预览：渲染更改的准确预览。此选项可能会影响性能。选择此选项后，在处理图像时，按住鼠标左键（向下滑动）可以查看更高分辨率的预览。取消选择此选项后，即使向下滑动鼠标时，也会显示更低分辨率的预览。

06

机器视觉系统硬件：工业相机

相机是机器视觉系统的核心部件，广泛应用于各个领域，如生产监控、测量任务和质量控制等。工业相机通常比常规的标准数字相机更加坚固耐用，这是因为它们必须能够应对各种复杂多变的外部影响，如应用于高温、高湿、粉尘等恶劣环境。工业相机的种类有很多，下图是常见的一些分类方式。下文将详细介绍几种常用类型的工业相机。

01

U-net深度学习遥感图像分割原理与解剖

U-Net是一个基于卷积神经网络（CNN）的端到端图像分割模型，其主要特点是其对称的编码器-解码器结构。编码器负责提取图像特征，而解码器则重建并生成分割后的图像。

01

这样可以更精确的目标检测——超网络

暑假的“尾巴”很多人都抓不住了，因为不知不觉，新的学期要开始了，几家欢喜几家愁，但是会想起学生时代的我，还是特征憧憬新的学期到来，那种激动的心情无法用美丽的辞藻去形容，在此，也祝大家新学期新“形象”，都能通过自己的努力去实现心里设定的小目标，加油~

04

分割冠军 | 超越Swin v2、PvT v2等模型，ViT-Adaptiver实现ADE20K冠军60.5mIoU

作者验证了ViT-Adapter在多个下游任务上的有效性，包括目标检测、实例分割和语义分割。尤其，使用HTC++时，ViT-Adapter-L得到了60.1 和52.1 ，在COCO test-dev上，超过 Swin-L 1.4 和1.0 。对于语义分割，ViT-Adapter-L在ADE20K val上建立了一个新的mIoU 60.5%，比SwinV2-G高0.6%。开源地址：https://github.com/czczup/ViT-Adapter

02

农作物地块范围识别（图像分割）

来源：机器学习AI算法工程、知乎@Now more本文约5500字，建议阅读15分钟本文为你介绍以薏仁米作物识别以及产量预测为比赛命题，及对对应获奖的开发算法模型。农作物的资产盘点与精准产量预测是实现农业精细化管理的核心环节。当前，我国正处于传统农业向现代农业的加速转型期，伴随着农业的转型升级，政府宏观决策、社会各界对农业数据的需求不断增加，现有农业统计信息的时效性与质量，已不足以为市场各主体的有效决策提供科学依据。在农作物资产盘点方面，传统的人工实地调查的方式速度慢、劳动强度大，数据采集质量受主观因素

02

霸榜各大CV任务榜单，Swin Transformer横空出世！

Swin Transformer: Hierarchical Vision Transformer using Shifted Windows（ArXiv21）

03

Unity通用渲染管线（URP）系列（十六）——渲染缩放（Scaling Up and Down）

这是关于创建自定义脚本渲染管道系列教程的第16部分。它是关于将渲染分辨率与目标缓冲区大小解耦的。

02

明月深度学习实践010：ISBI 2015细胞追踪挑战赛和龋齿检测挑战赛的冠军架构U-Net

左侧可以理解为编码器，右侧可以理解为解码器。编码器又分为4个子模块，每个子模块包含2个卷积层和1个max pool下采样层，编码器同样分为4个子模块，每个子模块也是2个卷积层和1个上采样层。下采样的时候，分辨率减半，上采样的时候分辨率乘以2，但是这并不代表该网络输入和输出的分辨率是一样的，因为每次经过卷积层分辨率都在减少。另外，该网络还使用了跳层连接，处于同一水平上的模块连接在一起，类似RenNet的残差模块。从这点上看，它应该是比较适用于去噪去水印之类的任务的。

02

详细解读PVT-v2 | 教你如何提升金字塔Transformer的性能？（附论文下载）

计算机视觉中的Transformer最近取得了令人鼓舞的进展。在这项工作中，作者通过添加3个改进设计来改进原始金字塔视觉Transformer（PVTv1），其中包括：

04

一文概览主要语义分割网络：FCN,SegNet,U-Net...

图像的语义分割是将输入图像中的每个像素分配一个语义类别，以得到像素化的密集分类。虽然自 2007 年以来，语义分割/场景解析一直是计算机视觉社区的一部分，但与计算机视觉中的其他领域很相似，自 2014 年 Long 等人首次使用全卷积神经网络对自然图像进行端到端分割，语义分割才有了重大突破。

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