1.关闭nouveau 显卡模式请在Ubuntu系统安装时关闭nouveau显卡模式。若不在安装时就关闭，会发生各类异常错误，很难解决。关闭方式参考：https://waydo.xyz/soft/linux/ubuntu-nouveau/2.打开命令终端删除已有的Nvidia驱动sudo apt-get purge nvidia-*3.加入驱动软件源sudo add-apt-repository

之前写了一篇，结果浏览器崩了，文字全无。这次直接上代码吧。身份证号的识别过程：#include<iostream>#include<opencv2\opencv.hpp>using namespace std;using namespace cv;int main(){Mat img = imread("234.png")

TensorRT提供了两种方式进行网络的部署：1. 各种parser对网络模型进行解析与转换；2. 利用TensorRT的api，Layer By Layer的方式进行模型的构建和转换。本文主要介绍如何利用TensorRT的ONNXParser对PyTorch等框架训练的模型进行部署，github上有很多类似的工作，这里以下面这个仓库为例进行介绍。Syencil/tensorRT​github.c

https://github.com/raven-dehaze-work/MSCNN_Kerashttps://github.com/raven-dehaze-work/DeBlurGanToDehaze先留个坑

二维卷积：操作二维卷积是一个相当简单的操作：从卷积核开始，这是一个小的权值矩阵。这个卷积核在 2 维输入数据上「滑动」，对当前输入的部分元素进行矩阵乘法，然后将结果汇为单个输出像素。一个标准的卷积卷积核重复这个过程知道遍历了整张图片，将一个二维矩阵转换为另一个二维矩阵。输出特征实质上是在输入数据相同位置上的加权和(权值是卷积核本身的值)。输入数据是否落入这个「大致相似区域」，直接决定了数据经过卷积

1、模型转换从insightface项目中下载mxnet模型：https://github.com/deepinsight/insightface/tree/master/gender-age/model2、使用ncnn的模型转换工具mxnet2ncnn进行模型转换./mxnet2ncnn model-symbol.json model-0000.params ag.param ag.bin3、使

yolo4的neck结构采用该模式，我们将Neck部分用立体图画出来，更直观的看下两部分之间是如何通过FPN结构融合的。如图所示，FPN是自顶向下的，将高层特征通过上采样和低层特征做融合得到进行预测的特征图。Neck部分的立体图像，看下两部分是如何通过FPN+PAN结构进行融合的。和Yolov3的FPN层不同，Yolov4在FPN层的后面还添加了一个自底向上的特征金字塔。这样结合操作，FPN层自顶

#!/usr/bin/python#encoding=utf-8#https://blog.csdn.net/zhangqi_gsts/article/details/82187159import tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltlearn_rate = 0.01#y=2x+4...

Keras API目前为止，介绍的神经网络模型都是通过Sequential模型来实现的。Sequential模型假设神经网络模型只有一个输入一个输出，而且模型的网络层是线性堆叠在一起的。这是一个经过验证的假设;配置非常普遍，到目前为止已经能够使用Sequential模型类覆盖许多任务和实际应用程序。但在许多情况下，这套假设过于僵化。一些网络模型需要几个独立的输入，其他需要多个输出，并且一些网络在层

作者：Emma Kamoun机器之心编译参与：Nurhachu Null，Geek AI作为计算机视觉的重要研究课题，图像配准经历了从传统方法走向深度学习的重要革命。本文将回顾图像配准技术的前世今生，为读者提供一个该领域的宏观视野。图像配准是计算机视觉领域的一个基础步骤。在本文深入探讨深度学习之前，我们先展示一下 OpenCV 中基于特征的方法。什么是图像配准？图像配准就是将同一个场景的不同图像转