Jurio的博客

使用三种降维方法：主成分分析（PCA）、t-SNE和UMAP对UCI手写数字图像进行降维分析

本研究采用YOLOv5s模型，通过Fine-tune和Full-train两种方法，在PASCAL VOC 2007与扩展后的数据集上进行了目标检测任务（提供利用COCO扩展VOC数据集的详细代码！！！）。Fine-tune结果表明模型在多数类别上展现出高精度与召回率，尤其在新加入的“大象”类别上表现突出，但在类别间的混淆及少数误检上仍需优化。Full-train显示模型在没有预训练辅助下的表现有所波动，尤其是对小物体和复杂场景的识别准确度下降，但在特定类别上依旧保持较高的识别能力。

基于词袋模型的场景识别，附有完整项目地址，文中有main源代码

本报告的主题是图像识别，旨在实现输入多个具有label的不同场景的图片，通过Tiny images representation或者特征词袋表示结合最近邻分类器预测给定测试集图片的类别结果以及分类准确率。

特征掩码在图像拼接中起着重要作用，它用于限制特征匹配的区域，以提高匹配的准确性和鲁棒性。特征掩码可以用于约束特征匹配的搜索范围。通过将掩码应用于特征点检测或特征描述子匹配的过程中，可以限制匹配算法只在有效区域内进行搜索。这样可以减少计算开销，提高匹配速度，并且减少错误匹配的可能性。

详细介绍了图像拼接中常用的ORB和SIFT特征检测器的算法理论，然后通过一个简单的实验探究二者的性能差异。最后总结两个特征检测器算法的异同和适用场景。

图像拼接：基于homography的特征匹配算法。详细描述homography算法以及提供算法代码，同时完整地展示了图像拼接的流程，分步骤介绍并附上源代码。

PFM（Portable FloatMap）是一种用于存储浮点数灰度图像的文件格式。本文基于Python编写读取PFM格式图像的函数方法read_pfm()，并介绍方法流程和使用方式。

详细介绍自定义设计的UI演示双视图立体匹配与重建的过程和结果。包括SAD、SSD、NCC等匹配方法的介绍，以及通过实例对比不同方法的性能。最后附上了可以获取所有代码的GitHub链接。

基于PyQt5自定义UI的详细教程！！！按步骤详解自定义，附全代码！

Qt designer设计UI实例：双视图立体匹配与重建的可视化UI。有基本的交互界面供用户选择立体匹配算法以及输入的图片，每种立体匹配方法所用的时间以及图片大小信息出来，可视化重建的结果，如点云，深度图，视差图等，可以使用Meshlab 软件或者Open3D 进行可视化。