测试数据中，人与相机的距离从6m~48m之间，每6m采集一组图像，之后通过手动的方法将红外和可见光图像进行对齐，在通过反复调整偏移参数后，获取了在上述偏移距离参数。采用的方法为：根据标定板中圆形的坐标位置在红外和可见光图像的像素坐标位置，计算对应点的像素差，则可将红外与可见光像素对齐，公式如下。由于红外和可见光的焦距不一样，导致空间物体在两种图像上成像大小不一样，同时，使用的红外/可见光硬件系统光

遥感图像的空间分辨率是指图像上可以检测最小单元的大小，一般用地面采样间距(Ground Sample Distance, GSD)或像元大小表示。遥感图像的空间分辨率用像元大小表示很容易理解，指数字图像中一个像元(像素)对应地面上的大小。例如10米的空间分辨率图像上，一个像元对应的地面大小就是10米*10米。从这个形象的表示中我们可以知道，空间分辨率的值越小，图像中的细节就越多。

转载自添加链接描述简单介绍超分辨率图像重建技术分为基于插值、基于重建、基于学习三类。基于插值的方法包括最近邻插值法、双线性插值法和双立方插值法等。这里主要介绍基于双三次插值的实现，其他的网络资料丰富，不再赘述。安装所需要的包pip3 install opencv-contrib-pythonpip3 install numpyimport cv2import numpy as npimport m

图像、视频或调用摄像头均能实现OpenCV实现人体姿态估计(人体关键点检测）OpenPose人体姿态识别项目是美国卡耐基梅隆大学（CMU）基于卷积神经网络和监督学习并以Caffe为框架开发的开源库。可以实现人体动作、面部表情、手指运动等姿态估计。适用于单人和多人，具有极好的鲁棒性。是世界上首个基于深度学习的实时多人二维姿态估计应用。其理论基础来自Realtime Multi-Person 2D P

想要筛选错误样本的话，很困难。可以把目标区域裁剪出来。人大脑处理对于这样的异己比较敏感。样本量较少的话可以自己筛一筛。样本量较大的话，可以训练一个分类模型帮你筛一下。我在进行目标检测时候，比如红绿灯检测，目标区域很小，样本杂乱。进行筛选的，大同小异，别的文件类型也就是登录读取信息不一样。

Ubuntu20.04深度学习GPU环境配置首先将NVIDIA驱动安装好，这是一切开始的前提！！！！1.背景深度学习环境配置真是令人头大的一件事，在配置的过程中遇到了很多坑，大概配置了一两天，感觉是我配置环境以来最繁杂的一次了，各种坑，网上也有很多教程但是实现起来各种ERROR，真心觉得累。经过差不多两天的时间终于把环境配置好。（手动狗头保命）2.硬件与软件版本显卡：GeForce GTX 306