相机的数学意义：相机标定的意义小孔成像说明必知的专用术语：在双目或多目系统中，世界坐标系和相机坐标系是不重合的，。上图二维平面中，OiO_{i}Oi​为图像坐标系原点，OdO_{d}Od​是像素坐标系，像素坐标系相对于图像坐标系原点有些偏移。世界坐标系与相机坐标系之间的转换矩阵:转换关系数学表达：[xcyczc1]=[R3×3T3×1O1]⋅[xwywzw1]\begin{bmatrix}x_c

结果如下:对应的版本为1.在命令行输入下面命令，查看version.txt的内容 注意cat后面有空格2.还有一种可以查看GPU占用情况这种同时也可以查看当前GPU的版本情况3.如果安装好cudatoolkit的话也可以用下面指令查看当前cuda版本...

相机标定的目的是为了获得相机的内外参以及畸变参数。标定板图案标定板图案我们一般用的是棋盘格，但我们其实不一定都要使用棋盘格，可以使用其他的图案。棋盘格角点个数和参数个数评估重投影误差：没有相机真实参数的情况下，评估相机标定的效果观察畸变校正后的图片-观察畸变矫正后的棋盘格，弯曲的线是否变直,适用于畸变比较明显的情况增加更多的图片标定板覆盖完全的图像，尤其是图像边缘、角点处畸变比较大的地方标定的图片

MobileNet系列(2)：MobileNet-V2 网络详解

1. 什么是语义分割?语义分割是一种将图像中的每个像素划分为一类的图像分析过程。这与人类在默认情况下一直在做的事情类似。当我们看到某样东西时，我们下意识地试图将图像的哪一部分“分割”成一个预定义的类/标签/类别。上图显示了语义分割的结果。mask中的人用红色像素表示，草是浅绿色，树是深绿色，天空是蓝色。我们可以通过简单地检查mask在该像素处是否为红色来判断哪个像素属于“person”类，但是我们

在这篇文章中，我们将讨论PyTorch中的图像分类。我们将使用CalTech256数据集的一个子集对10只动物的图像进行分类。我们将介绍数据集准备、数据增强和构建分类器的步骤。我们使用迁移学习来使用底层图像特征，如边缘、纹理等。这些是通过预先训练的模型ResNet50学习的，然后训练我们的分类器学习我们的数据集图像中更高层次的细节，如眼睛、腿等。ResNet50已经在ImageNet上接受了数百万

流(stream)是一种基于context之上的任务管道抽象，一个context可以创建n个流；如果想要在cuda上实现高性能异步多并发，可以通过流来实现任务的异步控制。nullptr是默认流每个线程都有自己的默认流。

摘要：dataclasses_json是Python中简化数据类与JSON转换的库，支持序列化/反序列化操作。通过@dataclass_json装饰器可快速实现数据类与JSON/字典的相互转换，支持嵌套数据类、可选字段和默认值处理。主要方法包括to_json()、from_json()、to_dict()和from_dict()，适用于API开发、配置文件处理等场景，能显著减少数据转换的代码量。安

在这篇文章中，我们将展示如何使用一个名为Mask RCNN(基于区域的卷积神经网络)的卷积神经网络模型来进行目标检测和分割。使用mask - rcnn，我们不仅检测对象，我们还获得一个灰度或二进制mask对象。Mask rcnn最初是在2017年11月由facebook的人工智能研究团队使用Python和caffe2推出的。我们将在c++和Python中共享OpenCV代码来加载和使用模型。The

​知识蒸馏，近年来越来越受到研究界的关注。大型深度神经网络取得了显著的成功，特别是在大规模数据的真实场景中，因为当考虑新数据时，过度参数化提高了泛化性能。然而，由于移动设备的算力和存储受限，在这些设备中部署DNN模型是一个巨大的挑战。为了解决这个问题，Bucilua等人（2006）首次提出了模型压缩，将信息从大模型或集成模型转移到训练的小模型中，并且不会显著导致精度下降。从大模型中学习小模型的方法