簡介

影像檢索（Image Retrieval）是指根據用戶提供的查詢條件，從一個大型影像數據庫中檢索出與查詢條件相似或相關的影像的過程。影像檢索旨在根據影像的內容特徵或相似性，實現快速且準確地找到用戶感興趣的影像。

影像檢索的過程可以分為兩個主要步驟：特徵提取和相似性匹配。特徵提取是從影像中提取出具有代表性的特徵，例如顏色、紋理、形狀、結構等。這些特徵可以通過各種計算機視覺和圖像處理技術進行提取。相似性匹配則是通過比較查詢影像的特徵與數據庫中每個影像的特徵，計算它們之間的相似度或距離，並根據相似度排序返回相關的影像。

常見的影像檢索方法包括基於內容的檢索（Content-Based Image Retrieval, CBIR）和基於文字標籤的檢索（Text-Based Image Retrieval, TBIR）。CBIR方法主要依賴影像的內容特徵，如顏色直方圖、紋理特徵、形狀描述子等，進行相似性匹配。TBIR方法則通過對影像進行標籤或描述的方式進行檢索，例如通過用戶提供的關鍵詞或描述進行匹配。

近年來，隨著深度學習技術的發展，基於深度學習的影像檢索方法也得到了廣泛應用。通過使用深度卷積神經網絡（CNN）等深度學習模型，可以從影像中提取出高層次的特徵表示，進一步提高影像檢索的準確性和效果。

影像檢索在許多領域都有重要應用，如圖書館圖像管理、醫學影像分析、視覺監控、社交媒體圖像檢索等。它可以幫助用戶快速找到感興趣的影像，並在大量的影像數據中進行有效的搜索和分析。

前言

區域網路檔案共享設定備忘錄

前言

簡易Bug紀錄

前言

(cspnet) (cspnet) (helpers)
cspresnet50 –> _create_cspnet -> build_model_with_cfg

–> CspNet
–> CspModelCfg
–> stem: CspStemCfg –> model_cfg
–> stages: CspStagesCfg

--> create_csp_stem  
--> create_csp_stages  
    -->  _get_stage_fn() --> crossstage
    -->  _get_block_fn() --> Block         
                            --> DarkBlock 
                            --> EdgeBlock 
                            --> BottleneckBlock 
    -->  _get_attn_fn()  --> partial
--> head  
    --> ClassifierHead

–>_init_weights

問題點

有一天伺服器重新開機完，啟動Docker給使用者使用時，
使用者連線進入docker container 環境中出現奇怪的現象，

問題狀況

(1) nvidia-smi無法顯示

1

Failed to initizlize NVML: Unknown Error

(2) torch.cuda.is_available() 回傳False
(3) Let’s use 0 GPUs.

前言

將行動手機的相機鏡頭當作IP Webcam，結合Python做應用程式開發。

前言

在OpenCV中進行顏色對比度增強。

前言

ORB-SLAM3

1. IMU (Inertial measurement unit) 慣性測量單元
2. 相機:
   1. 單眼相機
   2. 立體相機
   3. 深度相機
   4. 針孔相機
   5. 魚眼相機
3. 更新過程
   beta 0.4 ~ 1.0 realease。

研究背景

找出新台幣硬幣輪廓並計算出共有多少錢,請自行拍攝有多種硬幣的coins影像照片測試,並程式實作

研究背景

產生雜訊影像, 濾波後效果除視覺效果比較外, 利用與原影像計算PSNR來比較結果。
至少需產生三種雜訊影像, 每種至少利用3種濾波器實作比較其結果, 測試影像使用Lenna.bmp。