<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[fuping07的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/fuping07</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; fuping07]]></copyright><item><title><![CDATA[yolov8转tensorTRT，在C++下部署测试]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/144587277</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/144587277</guid><author>fuping07</author><pubDate>Thu, 19 Dec 2024 17:56:51 +0800</pubDate><description><![CDATA[在linux在部署需要链接 nvinfer cudart nvinfer_plugin nvparsers nvonnxparser这几个库。1、导出yolov8的ONNX格式模型。（yolov8  github地址为。3、加载引擎并反序列化模型。2、将ONNX模型序列化。详细的转化过程参考博文。]]></description><category></category></item><item><title><![CDATA[行为识别DT+FV]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/70570110</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/70570110</guid><author>fuping07</author><pubDate>Mon, 24 Apr 2017 10:23:25 +0800</pubDate><description><![CDATA[ActionRecognition by Dense Trajectories ---(2011 CVPR)



Action Recognition with ImprovedTrajectories--- (2013 ICCV)



DT算法的基本思路为利用光流场来获得视频序列中的一些轨迹，再沿着轨迹提取HOF，HOG，MBH，trajectory4种特征，其中HOF基于灰]]></description><category></category></item><item><title><![CDATA[行为识别笔记：improved dense trajectories算法（iDT算法）]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/58585498</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/58585498</guid><author>fuping07</author><pubDate>Tue, 28 Feb 2017 09:17:53 +0800</pubDate><description><![CDATA[iDT算法是行为识别领域中非常经典的一种算法，在深度学习应用于该领域前也是效果最好的算法。由INRIA的IEAR实验室于2013年发表于ICCV。目前基于深度学习的行为识别算法效果已经超过了iDT算法，但与iDT的结果做ensemble总还是能获得一些提升。所以这几年好多论文的最优效果都是“Our
 method+iDT”的形式。

此前由于项目原因，对iDT算法进行了很多研究和实验，故此处]]></description><category></category></item><item><title><![CDATA[OpenCV中矩阵类详解：CvMat，Mat和IplImage之间的转化和拷贝]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/53217669</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/53217669</guid><author>fuping07</author><pubDate>Fri, 18 Nov 2016 15:47:37 +0800</pubDate><description><![CDATA[OpenCV中Mat、CvMat和IplImage类型都可以代表和显示图像。IplImage由CvMat派生，而CvMat由CvArr派生即CvArr
 -> CvMat -> IplImage，Mat类型则是C++版本的矩阵类型（CvArr用作函数的参数，无论传入的是CvMat或IplImage，内部都是按CvMat处理）。
其中Mat类型侧重于计算，数学性较高，OpenCV对Mat类型的计]]></description><category></category></item><item><title><![CDATA[计算机方向的会议和期刊]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/53026255</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/53026255</guid><author>fuping07</author><pubDate>Thu, 03 Nov 2016 21:26:09 +0800</pubDate><description><![CDATA[转载自：http://edwinren.blogspot.com/2008_07_01_archive.html
（1）IEEETRANSACTIONS ON COMPUTERS
ComputerVision
Conf.:
        Best: ICCV, Inter. Conf. on ComputerVision
              CVPR, Inter. Conf.]]></description><category></category></item><item><title><![CDATA[显著性检测初步总结]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/52954172</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/52954172</guid><author>fuping07</author><pubDate>Fri, 28 Oct 2016 10:42:56 +0800</pubDate><description><![CDATA[目前相对传统的显著性检测方法主要分为两类：

一类是纯数据驱动独立于任务的自底而上的显著性检测方法（主要基于生物学原理），另一类是受意识支配依赖于任务的自顶而下的显著性检测方法（主要基于机器学习）。




1）自顶而下的图像显著性检测方法

自顶而下的显著性模型一般包括特征学习和显著性计算两个部分。

由于人类自顶而下的选择注意由高层的脑部信息所控制，对于同一场景不同的人注]]></description><category></category></item><item><title><![CDATA[显著性检测相关论文阅读]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/52880820</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/52880820</guid><author>fuping07</author><pubDate>Fri, 21 Oct 2016 10:40:25 +0800</pubDate><description><![CDATA[目前对于“在一幅图像中什么是显著性”还存在着不是很明确的定义，依然有好多学者在研究这方面的问题和相应的显著性评价指标
1.Geodesic Saliency Using Background Priors（2012，ICCV）
         在这篇文章中，作者 基于背景先验知识的“boundary and connectivity priors(边界先验性和连通先验性)”   这两个创新点]]></description><category></category></item><item><title><![CDATA[图像显著性的理解]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/52880761</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/52880761</guid><author>fuping07</author><pubDate>Fri, 21 Oct 2016 10:35:53 +0800</pubDate><description><![CDATA[图像显著性是图像中重要的视觉特征，体现了人眼对图像的某些区域的重视程度。自从1998年Itti的工作以来，产生了大量的显著性映射方法，图像显著性也广泛应用于图像压缩、编码、图像边缘和区域加强、显著性目标分割和提取等.
      对于一幅图像来说，用户只对图像中的部分区域感兴趣，这部分感兴趣的区域代表了用户的查询意图，而多数剩余的不感兴趣区域则与用户查询意图无关.显著区域是图像中最能引起用户兴趣]]></description><category></category></item><item><title><![CDATA[基于opencv的图像去雾处理]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/52873050</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/52873050</guid><author>fuping07</author><pubDate>Thu, 20 Oct 2016 15:28:21 +0800</pubDate><description><![CDATA[去雾算法参考了一篇论文：

Kaiming He, Jian Sun, Xiaoou Tang. Single Image Haze Removal Using Dark Channel Prior

大致内容是提出了一个叫做暗原色先验的东西来对有雾图像进行处理，十分巧妙，有兴趣者可以看看。这里使用OpenCV实现文中的去雾算法，然而论文提到的soft matting未在本程序中实现。]]></description><category></category></item><item><title><![CDATA[烟雾或者火焰检测方法]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/52839004</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/52839004</guid><author>fuping07</author><pubDate>Mon, 17 Oct 2016 15:22:23 +0800</pubDate><description><![CDATA[1 Deep Learning很热，所以大家都用这个做图像处理，可以理解，好发论文嘛。我也用过，发现学习速度太慢，不大实用，如果不是很难（前景和背景对比度低，或者干扰很严重），常用的图像处理方法就可以了。
2 图像分割，可以用阈值法、区域生长、边缘检测、数学形态学的分水岭、小波变换，这些我都用过，各有所长吧，还有一些我没有用过的，就不推荐了。我看烟雾边缘缺乏方向性，估计边缘检测不是很好用。建议你]]></description><category></category></item><item><title><![CDATA[显著性检测研究现状]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/52785931</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/52785931</guid><author>fuping07</author><pubDate>Tue, 11 Oct 2016 10:38:57 +0800</pubDate><description><![CDATA[原文  http://blog.youkuaiyun.com/huangbo10/article/details/19788547
关于显著度的研究是从生物研究发展而来，早期比较重要的工作是C.Koch与S.Ullman做的，时间可以追溯到1985年。 
显著度的获取方式主要有两种：自上而下，从高层语义入手，其实目标检测等等也可以归入这一类中；更普遍的是自下而上，从底层特征入手。直到现在，第二种自下而上的]]></description><category></category></item><item><title><![CDATA[显著性检测部分代码链接]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/52775078</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/52775078</guid><author>fuping07</author><pubDate>Mon, 10 Oct 2016 10:10:30 +0800</pubDate><description><![CDATA[本文就现有的资源进行链接，便于查找和整理。

/****************************************************************

新加坡最近利用频率进行saliency提取的方法：

https://sites.google.com/site/leofangyuming/

/****************************]]></description><category></category></item><item><title><![CDATA[图像显著性检测总结]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/52687575</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/52687575</guid><author>fuping07</author><pubDate>Wed, 28 Sep 2016 09:02:36 +0800</pubDate><description><![CDATA[http://blog.youkuaiyun.com/anshan1984/article/details/8657176点击打开链接




1. 早期C. Koch与S. Ullman的研究工作.

他们提出了非常有影响力的生物启发模型。


C. Koch and S. Ullman . Shifts in selective visual attention: Towards th]]></description><category></category></item><item><title><![CDATA[opencv查找轮廓---cvFindContours && cvDrawCountours 用法及例子]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/52586677</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/52586677</guid><author>fuping07</author><pubDate>Mon, 19 Sep 2016 16:08:07 +0800</pubDate><description><![CDATA[FindContours        在二值图像中寻找轮廓 


int cvFindContours( CvArr* image, CvMemStorage* storage, CvSeq** first_contour,
int header_size=sizeof(CvContour), int mode=CV_RETR_LIST,
int method=CV_CHAIN_APP]]></description><category></category></item><item><title><![CDATA[openCV中cvRectangle与cv::rectangle绘制矩形边框]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/52586495</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/52586495</guid><author>fuping07</author><pubDate>Mon, 19 Sep 2016 15:53:22 +0800</pubDate><description><![CDATA[cvRentangle和cv::rectangle函数原型对比：

C： 
     void cvRectangle(CvArr* img,
 CvPoint pt1,
 CvPoint pt2,
 CvScalar color,
 int thickness=1,
 int line_type=8,
 int shift=0
 )




C++: void re]]></description><category></category></item><item><title><![CDATA[opencv中视频数据类型及视频帧的读取与存储]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/52506056</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/52506056</guid><author>fuping07</author><pubDate>Sun, 11 Sep 2016 20:06:30 +0800</pubDate><description><![CDATA[一. 视频数据类型转换

opencv中对图像的处理是最基本的操作，一般的图像类型为IplImage类型，但是当我们对图像进行处理的时候，多数都是对像素矩阵进行处理，所以这三个类型之间的转换会对我们的工作带来便利
 
Mat类型较CvMat和IplImage有更强的矩阵运算能力，支持常见的矩阵运算（参照Matlab中的各种矩阵运算），所以将IplImage类型和CvMat类型转换为Mat类]]></description><category></category></item><item><title><![CDATA[matlab对文件目录路径的操作]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/51906397</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/51906397</guid><author>fuping07</author><pubDate>Thu, 14 Jul 2016 09:45:41 +0800</pubDate><description><![CDATA[1、        filesep
用于返回当前平台的目录分隔符，Windows是反斜杠(\)，Linux是斜杠(/)。
2、        fullfile
用于将若干字符串连接成一个完整的路径。例如：
>> f=fullfile('D:','Matlab','example.txt')
f=D:\Matlab\example.txt
(在Windows中，“D:\”表示D盘，“D:]]></description><category></category></item><item><title><![CDATA[获取图像文件中每张图像的路径]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/51898463</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/51898463</guid><author>fuping07</author><pubDate>Wed, 13 Jul 2016 15:27:32 +0800</pubDate><description><![CDATA[1。 指定路径下 单个文件夹data中所有图像
file_path =  '.\data\';% 图像文件夹路径
img_path_list = dir(strcat(file_path,'*.jpg'));%获取该文件夹中所有jpg格式的图像
img_num = length(img_path_list);%获取图像总数量
if img_num > 0 %有满足条件的图像
        for]]></description><category></category></item><item><title><![CDATA[LibLinear（SVM包）使用说明之（三）实践]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/51854520</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/51854520</guid><author>fuping07</author><pubDate>Thu, 07 Jul 2016 21:44:39 +0800</pubDate><description><![CDATA[版权声明：本文为博主原创文章，未经博主允许不得转载。


LibLinear（SVM包）使用说明之（三）实践
zouxy09@qq.com
http://blog.youkuaiyun.com/zouxy09
 
          我们在UFLDL的教程中，Exercise:
 Convolution and Pooling这一章节，已经得到了cnnPooledFeatures.mat特征。]]></description><category></category></item><item><title><![CDATA[LibLinear（SVM包）使用说明之（二）MATLAB接口]]></title><link>https://blog.youkuaiyun.com/fuping07/article/details/51854508</link><guid>https://blog.youkuaiyun.com/fuping07/article/details/51854508</guid><author>fuping07</author><pubDate>Thu, 07 Jul 2016 21:41:52 +0800</pubDate><description><![CDATA[版权声明：本文为博主原创文章，未经博主允许不得转载。


LibLinear（SVM包）使用说明之（二）MATLAB接口
zouxy09@qq.com
http://blog.youkuaiyun.com/zouxy09
 
一、介绍
         LIBLINEAR是一个简单的求解大规模规则化线性分类和回归的软件包。本文介绍在Matlab中如何使用该软件包。(http://www.csi]]></description><category></category></item></channel></rss>