Talk Is Cheap

【代码】opencv-python，把文字画在图片里。

【代码】conda安装Genesis物理引擎。

其中相机参数只是样例数据。

【代码】相机标定 代码示例。

【代码】双目视差 代码示例。

【代码】OpenCV，图片转视频。

【代码】OpenCV，视频转图片。

T = 图像点之间距离 = 摄像头之间距离 + 视差。S = 摄像头之间距离。

由三角形角度关系，得到。可以计算得到真实世界的。

python版本 3.8.10。python代码最前面加上。

mmcv == 2.1.0mmdet == 3.0.0mmdet3d == 1.2.0mmengine == 0.10.5

centos更新gcc版本。

计算相机位置：RANSAC, Perspective N Point (PnP), 5-Point Algorithm, Feature Matching, Direct Sparse Odometry (DSO)包括：Triangulation, Stereo Vision, LSD-SLAM, EKF-SLAM, Fast-SLAM。提取特征：ORB, FAST, Harris Corner Detector, SIFT, SURF。包括：Bag-Of-Words, FLANN, DBoW2。

【代码】the idea of Visual Odometry: ①compute features ②track/match them ③recover pose(Rotation/Translation)

We detect features (pure pattern recognition of corners, edges, gradients, …) and then match them from frame to frame. Algorithms like SURF, SIFT, BRISK, AKAZE, etc… are used for the detection and encoding,and others like Brute Force or FLANN can be used f

摘自《State of the Art 3D Reconstruction Techniques》，CVPR 2014 tutorial slides。

【代码】调用Depth-Anything进行深度估计（depth estimation）

torch和torchvision都要安装gpu版本，或者两个都是cpu版本，

建议去下面链接下载后本地安装。

【代码】调用Blip2-T5实现image2text。

【代码】训练BlipForConditionalGeneration。

【代码】使用Blip的预训练好的imageEncoder并替换其decoder。

【代码】【code2image】使用bokeh画图，去掉右侧的按钮。

【代码】调用Blip image tokenizer实现image2text。

VQ-VAE 里的 vector quatization。简单来说，就是要先有一个codebook，这个codebook是一个embedding table。我们在这个embedding table中找到和vector最接近（比如欧氏距离最近）的一个embedding，用这个embedding的index来代表这个vector，就实现了把一个vector表示成离散的token-id。可见这种image tokenizer的方式出来的token词典，肯定是只适用于训练时的图片数据集的。

import cv2import numpy as npimg=np.ones((512,512,3), np.uint8)*255cv2.circle(img,center=(256,256), radius=128, color=(0,0,255), thickness=-1)cv2.circle(img,center=(256,256), radius=80, color=(...

yum install opencv-python opencv-devel 然后下载opencv的zip，make了， 然后参考下面的方法做了 https://github.com/rbgirshick/fast-rcnn/issues/92 应该python就能import cv2了

重新把python装了一遍 以及按照这个把opencv装了一遍 http://blog.youkuaiyun.com/daunxx/article/details/50506625

下载到tar包后yum install cmakecmake .makemake install

摘要的最后一句话：achieves the best accuracy (87.8%) among methods that use only ImageNet-1K data. Transfer performance in downstream tasks outperforms supervised pre-training and shows promising scaling behavior.可见masked autoencoders (MAE) 的应用方法，是预训练好的MAE的encode

https://openreview.net/group?id=ICLR.cc/2019/ConferenceBA-NET: DENSE BUNDLE ADJUSTMENT NETWORKS本文介绍一个网络结构，来解决 structure-from-motion（SfM）问题，通过 特征矩阵 bundle adjustment (BA)，这个网络结构能够明显的通过 特征矩阵误差 的形式 强化...

利用condition-GAN，以一图输入作为condition，生成一图，以完成image-to-image translation这个任务，而普通的GAN貌似只是噪声作为输入，

rpn：region proposal network IoU：Intersection-over-Union，交集并集之比 GT：ground truth，GT boxes (x1, y1, x2, y2, label)，左上的坐标 和 右下的坐标 + 类别 im：image ROI：region of interest bbox：bounding-box regression：和on

import cv2import numpy as npimport h5pyf = h5py.File('2016-06-08--11-46-01.h5', 'r')temp = f['X'][0] # 第0张img = temp.swapaxes(0,2).swapaxes(0,1)data = np.array(img[:,:,:])file = 'test.jpg'cv2.i

import cv2import numpy as npimport h5pyf = h5py.File('135.h5', 'r')dset = f['1458552843.750']data = np.array(dset[:,:,:])file = 'test.jpg'cv2.imwrite(file, data)