【OpenCV学习】（十二）图像分割与修复背景图像分割本质就是将前景目标从背景中分离出来。在当前的实际项目中，应用传统分割的并不多，大多是采用深度学习的方法以达到更好的效果；当然，了解传统的方法对于分割的整体认知具有很大帮助，本篇将介绍些传统分割的一些算法；一、分水岭法原理图如下：利用二值图像的梯度关系，设置一定边界，给定不同颜色实现分割；实现步骤：标记背景 —— 标记前景 —— 标记未知区域（背

Python——语音处理基础目标：Python对音频文件的IO处理；语音中关于音量和音响的一些计算；一、概述声音物理意义：声音是一种纵波，纵波是质点的振动方向与传播方向同轴的波。如敲锣时，锣的振动方向与波的传播方向就是一致的，所以声波是纵波。纵波是波动的一种（波动分为横波和纵波）；通常对声音进行采样量化后，得到声音的"时间—振幅"信息；下图是用Adobe Audition打开一段音频数据：说明：图

一、概述量化：剪枝是删除不重要的权重参数，量化则是减少存储权重的bit，将权重存储在更小的空间中；权重不需要以高精度方式存储，甚至不应该以高精度方式存储；如果用简单的量化方式效果并不好，需要一些训练量化参数的计较；方法：1、二值化这是最简单的一种量化方式，就是用0-1两个值代替原来的参数值，往往能达到32倍的压缩程度；该方法能够大大提升模型的训练和推理速度，但性能明显下降；也可以采用一种二值化变体

一、概述一句话概括：将一个复杂模型的预测能力转移到一个较小的网络上；（复杂模型称为教师模型，较小模型称为学生模型）Teacher and Student的概念：对大网络学习的知识进行"蒸馏"，并将其转移到小网络上，同时小网络的性能能够接近大网络；蒸馏模型（Student）被训练模仿大网络（Teacher）的输出，而不仅仅是直接在原始数据上训练，通过这种方式让小网络学习到大网络的抽象特征能力和泛化能

一、概述一句话概括：将一个复杂模型的预测能力转移到一个较小的网络上；（复杂模型称为教师模型，较小模型称为学生模型）Teacher and Student的概念：对大网络学习的知识进行"蒸馏"，并将其转移到小网络上，同时小网络的性能能够接近大网络；蒸馏模型（Student）被训练模仿大网络（Teacher）的输出，而不仅仅是直接在原始数据上训练，通过这种方式让小网络学习到大网络的抽象特征能力和泛化能

Pytorch模型转成ONNX和MNN准备工作一、MNN安装简介：MNN是一个轻量级的神经网络推理引擎，在端侧加载深度神经网络进行推理预测。由阿里巴巴团队研发并开源，目前在一些场景下性能和NCNN相同甚至超越；下载MNNgit clone https://github.com/alibaba/MNN编译安装MNNcd /path/to/MNN./schema/generate.sh./tools/

背景下载地址：https://rrc.cvc.uab.es/?ch=4&com=downloads注意：该数据为开源数据，但需要注册一个账号，简单注册下即可下载；介绍：用于文本检测任务，数据包含1000张训练样本以及500张测试样本；所需数据展示首先，该数据是用于EAST算法，需要处理成模型所需的数据格式；原始标签数据：可以看出，每张图像对应一个文本，其中有多个框的标注信息，分别表示四个坐

C++基础总结一、基本的代码含义1、程序的第一行#include <iostream>是预处理器指令，告诉 C++ 编译器在实际编译之前要包含iostream 文件；2、using namespace std表示我们可以使用标准库中对象和变量的名称；3、int main()是主函数，程序从这里开始执行；4、/*...*/将会被编译器忽略，这里放置程序的注释内容。它们被称为程序的注释；5

【OpenCV学习】（十三）机器学习背景OpenCV中也提供了一些机器学习的方法，例如DNN；本篇将简单介绍一下机器学习的一些应用，对比传统和前沿的算法，能从其中看出优劣；一、人脸识别主要有以下两种实现方法：1、哈尔（Haar）级联法：专门解决人脸识别而推出的传统算法；实现步骤：创建Haar级联器；导入图片并将其灰度化；调用函数接口进行人脸识别；函数原型：detectMultiScale（img，

一、DeepSort介绍论文地址：https://arxiv.org/pdf/1703.07402.pdf参考文章：DeepSort讲解代码地址：https://github.com/mikel-brostrom/Yolov5_DeepSort_OSNet（可参考这个源代码，如果需要我这边的源代码可私信）SORT对比DeepSORT：虽然SORT是一个非常简单、有效、实用的多目标跟踪算法，但仅仅通