文章摘要：本文介绍了RAG（检索增强生成）与代理系统的基本概念，并详细说明了构建RAG系统的任务流程。RAG允许大型语言模型使用外部知识回答问题，而代理系统则通过多个LLM协作完成复杂任务。文章提供了实现RAG系统的关键代码改进，包括移除复杂模型、优化搜索功能、定义代理字典以及使用HuggingFace嵌入模型。数据集包含90个手工制作的问题，分为公开和私有两部分。由于无法提交评分，建议直接参考提

摘要： 模板匹配是一种基于像素比较的计算机视觉技术，用于在大图像中定位与模板相似的区域。其核心原理是通过滑动模板计算相似度（如互相关），找到最佳匹配位置。Python中可通过OpenCV实现，常用方法包括归一化平方差（TM_SQDIFF_NORMED）和归一化互相关（TM_CCOEFF_NORMED）。该技术简单高效，但对光照、旋转和尺度变化敏感。改进方法包括多目标匹配结合非极大值抑制（NMS）消

本文介绍了实例分割的基本概念及其经典方法Mask R-CNN。实例分割结合了目标检测和语义分割，不仅能区分不同类别，还能识别同一类别下的不同实例。Mask R-CNN在Faster R-CNN基础上引入特征金字塔网络(FPN)和ROI对齐(ROIAlign)技术，并增加掩模预测分支，显著提升了分割精度。文章详细阐述了FPN的多尺度特征融合机制和ROIAlign避免坐标取整误差的优势，并提供了基于P

摘要： 目标检测是计算机视觉的核心任务，旨在识别图像中目标的类别并定位其位置（通过包围盒表示）。深度学习推动了目标检测的发展，R-CNN系列模型（R-CNN、Fast R-CNN、Faster R-CNN）是关键里程碑。R-CNN通过候选区域提取和CNN特征分类实现检测；Fast R-CNN引入ROI池化，共享特征计算提升效率；Faster R-CNN结合区域提议网络（RPN），实现端到端训练，显

图片拼接（image stitching）就是将统一场景的不同拍摄出的图片拼接到一起，如图所示就是拼接全景图，是图片拼接的应用之一，手机拍照都有全景拍摄功能仔细观察全景图，寻找它们相似性，图8-2的全景图可以通过缩放，旋转，射影等操作进行拼接而成，我们首先介绍几个常用的图像变换RANSAC（Random Sample Consensus）是一种鲁棒的模型拟合算法，常用于处理包含大量噪声或异常值的数

摘要： 模板匹配是一种基于像素比较的计算机视觉技术，用于在大图像中定位与模板相似的区域。其核心原理是通过滑动模板计算相似度（如互相关），找到最佳匹配位置。Python中可通过OpenCV实现，常用方法包括归一化平方差（TM_SQDIFF_NORMED）和归一化互相关（TM_CCOEFF_NORMED）。该技术简单高效，但对光照、旋转和尺度变化敏感。改进方法包括多目标匹配结合非极大值抑制（NMS）消

介绍了视觉识别中最基本的问题之一图像分类。本章先后讲解了基于手工设计图像表正（视觉词袋模型）的图像分类算法和基于深度卷积神经网络的图像分类算法

本文介绍了无监督图像分割技术，重点探讨了两种经典算法：基于k均值的图像分割和基于归一化割的图切割算法。k均值方法通过迭代优化将像素聚类为指定数量的区域，改进版通过加入坐标信息提升了分割连续性。图切割算法则将分割转化为最小割问题，通过能量函数优化实现前景背景分离。文章还展示了使用SAM（Segment Anything Model）进行高级分割的实践，包括自动分割和交互式点击选择目标两种方式。实验结

图片拼接（image stitching）就是将统一场景的不同拍摄出的图片拼接到一起，如图所示就是拼接全景图，是图片拼接的应用之一，手机拍照都有全景拍摄功能仔细观察全景图，寻找它们相似性，图8-2的全景图可以通过缩放，旋转，射影等操作进行拼接而成，我们首先介绍几个常用的图像变换RANSAC（Random Sample Consensus）是一种鲁棒的模型拟合算法，常用于处理包含大量噪声或异常值的数

介绍了视觉识别中最基本的问题之一图像分类。本章先后讲解了基于手工设计图像表正（视觉词袋模型）的图像分类算法和基于深度卷积神经网络的图像分类算法