通过培训立体匹配卷积神经网络对图像块进行比较

输出尺寸(oho_hoh​,owo_wow​)与输入尺寸(nhn_hnh​,nwn_wnw​)、核尺寸(khk_hkh​,kwk_wkw​)、padding(php_hph​,pwp_wpw​)和st

识别，定位和检测是机械学习中的几项基本任务，那么这些人物在卷积网络中又会猜出怎样的火花呢？

利用卷积神经网络进行性别和年龄识别，收录于cvpr2015

搭建卷积神经网络进行人脸识别

基于信息量的传统声音事件识别方法前端功能,例如MFCC,带有后端HMM等测序方法往往在干扰声的存在。 由于噪声破坏在实际情况中可能是不可避免的,这一点很重要开发更强大的功能和分类器。 近期进展在这个领

机器学习是许多人在人类生活的各个领域中不可或缺的技术。 它遍及全球的现代生活中,并具有多种用途。 一种应用是图像分类,它涵盖了许多影响领域,例如商业,金融,医药等,以提高产量,原因,效率等。这种对更精

非参数语义分割算法易受到图像检索精度和语义类别不均衡数据集的影响而导致语义分割精度下降。针对这些问题,提出了一种基于卷积神经网络(CNN)特征和改进超像素匹配的图像语义分割算法。通过CNN学习得到图像

实现了单目摄像头的立体重建，开发环境是vs2010,内容比较简单。

动态规划原理实现立体匹配，分为行方向和列方向两次动态规划。没有用到opencv，采用c++自己实现的。

立体匹配方法基础，主要讲述了一些立体匹配的研究背景和意义，可以作为一个科普ppt