在当今科技的飞速发展中，相机技术的创新一直是引领潮流的先锋。而在这股潮流中，双鱼眼相机以其独特的视角和广阔的应用前景引起了广泛关注。本博客将带领大家深入探讨双鱼眼相机拼接技术，解锁一种全新的视觉体验。视觉全景：双鱼眼相机能够捕捉到超广角的视野，使得拍摄的画面更加丰富、更具冲击力。同时双鱼眼只需要两个相机就能捕捉全景图像是成本最低的全景取景器。应用广泛：从虚拟现实到安防监控，从全景摄影到机器视觉，双

人脸识别是cv自从2015年以来最成功的商业应用之一, 人脸识别算法近5年是没有什么发展的，其实也不需要发展了，基本上到天花板了，目前各个公司的主要差距还是在数据上。目前我发现网上大部分的资料还有用facenet？opencv?确实技术太老了，我知道的18年我都不用这些的。

我们统一采用opencv remap来加速,在初始状态建立好remap需要的x坐标对应图和y坐标对应图。只要宽高不变, 每次矫正不耗时。等距投影 by FOV and Angle。等距投影by FOV.方法二将在不久并入到。

比如自己的Reid模型(建议把如pth等checkpoint这种模型转换成onnx或者tensorrt, 推理和训练是不一样的，训练时模型会保留梯度等信息且速度不如onnx这种推理架构)使用QT designer打开GUI.ui.home.ui,使用designer去修改,再 pyside6-uic home.ui > home.py。选择图片路径->确认按键->车辆检测-> 目标选择->输入注册

随着transformer在多模态上强有力的对齐能力，以前都很难想象5B组图像-文本pair预训练的参数有多强。现在告诉你，把vit大模型的参数迁移到纯视觉的下游任务,基本上都是指标猛增。veri-776 mAP随随便便上85，以前那么多前辈辛辛苦苦设计的network不如大量数据来的直接。backbone强大才是真强大，装上v12发动机, 奥拓变法拉利。任务目的:使用一张车的照片,在视频or图像

图像最新SOTA特征点检测与匹配算法

随着transformer在多模态上强有力的对齐能力，以前都很难想象5B组图像-文本pair预训练的参数有多强。现在告诉你，把vit大模型的参数迁移到纯视觉的下游任务,基本上都是指标猛增。veri-776 mAP随随便便上85，以前那么多前辈辛辛苦苦设计的network不如大量数据来的直接。backbone强大才是真强大，装上v12发动机, 奥拓变法拉利。任务目的:使用一张车的照片,在视频or图像

A. reid_vehicle_id.onnx 模型是在 VehicleID 数据集上训练的，但由于缺少跨镜头的训练数据，其在具有不同视角的车辆检索任务中表现不佳。通常，其检索阈值在约0.2左右。Note: clip_reid在VeRi-776上的指标上mAP达到84.5,Rank-1达到97.3.(同时该指标并未加re-rank), 其指标在2024年也是非常有竞争力的。B.reid_vehic

用LLM大模型来finetune处理传统的文本分类任务。分类任务当作生成式任务来做, 有点大炮打蚊子。但还是非常想尝试下，该文记录算法工程师做整个任务的过程。

全景图目标检测是针对360度广视角的图像来进行目标检测。相对于传统的目标检测, 全景图目标检测有着以下优势:1.能够捕捉到更广泛的场景，允许检测目标在大范围内的分布和移动。如在安防领域,避免监控死角。2.可以用于更深入的场景分析和理解，因为它提供了更多的上下文信息，有助于分析目标与周围环境的关系。总之，全景图目标检测有助于应对更复杂的场景，提供更多的信息来改善目标检测和分析任务。它对于监控、搜索与