ICCV论文的Matlab实现——用于鲁棒视觉目标跟踪的联合组特征选择和判别滤波器学习__Matlab implementation of ICCV2019 paper _Joint Group Feature Selection and Discriminative Filter Learning for Robust Visual Object Tracking_.zip 随着计算机视觉技术的飞速发展，视觉目标跟踪作为其中的一个重要研究领域，吸引了大量的关注。视觉目标跟踪是指在视频序列中实时地追踪特定物体的位置和运动状态。目标跟踪算法需要对目标进行准确检测，并在连续的视频帧中保持对目标的锁定，即使在物体移动、遮挡或背景变化等复杂情况下也要尽可能地减少跟踪误差。 在诸多的目标跟踪算法中，基于判别滤波器的方法因其良好的实时性和鲁棒性而备受青睐。判别滤波器通常采用特征选择的方法来提取与目标跟踪最相关的特征。然而，选择哪种特征以及如何组合这些特征对于跟踪性能的提升至关重要。 ICCV（国际计算机视觉与模式识别会议）是计算机视觉领域内一个著名的学术会议。ICCV2019上发表的这篇论文提出了一种联合组特征选择和判别滤波器学习的新方法。该方法通过学习区分目标与背景的特征，并将其用于判别滤波器的更新，从而实现更加准确和鲁棒的目标跟踪。该算法不仅提高了跟踪的准确性，同时也提高了对遮挡和快速运动等挑战性场景的适应能力。 Matlab是一种广泛应用于工程计算、数据分析、算法开发和仿真的编程语言和环境。Matlab的高级数学功能、丰富的工具箱和易于使用的可视化环境使其成为计算机视觉算法开发和测试的理想平台。在这篇论文中，研究人员利用Matlab实现了这一创新的视觉目标跟踪算法，并通过Matlab的快速原型开发特性，对算法进行了验证和展示。 为了使更多的研究者和工程师能够理解和复现这一算法，作者将论文中的算法实现了Matlab代码，并通过压缩包的形式发布。压缩包内的文件结构和代码注释的清晰程度对于其他用户学习和使用该算法至关重要。代码中可能包含多个函数和脚本，用于处理不同的跟踪阶段，如目标检测、特征提取、滤波器更新以及结果评估等。 此外，为了验证算法的有效性，作者可能还在压缩包中包含了测试数据集和相应的评估脚本。这些数据集包含了各种具有挑战性的跟踪场景，例如背景复杂、目标运动快速、存在遮挡等。通过在这些数据集上运行算法，研究者和工程师可以准确评估跟踪性能，并与其他算法进行比较。 该论文的Matlab实现不仅促进了该领域的学术交流，也加速了先进算法的工程应用。通过提供可复现的代码，研究人员可以在此基础上进行改进或将其集成到更大规模的应用中。对于视觉目标跟踪这一领域来说，这种开放和共享的精神极大地推动了整个领域的发展和进步。

### ICCV 2023：Parallax-Tolerant Unsupervised Deep Image Stitching #### 概述 本文介绍了一种新的图像拼接方法——Parallax-Tolerant Unsupervised Deep Image Stitching（UDIS++），该方法针对现有的图像拼接技术在处理大视差图像时遇到的问题进行了改进。UDIS++是一种无监督学习方法，能够在无需人工标记的情况下学习到鲁棒性强、适应性好的图像特征，从而实现高质量的图像拼接效果。 #### 背景与挑战 传统的图像拼接技术通常依赖于几何特征（如点、线、边缘等），这些手工设计的特征对于具备足够几何结构的自然场景表现良好。然而，在纹理较少或视差较大的情况下，传统方法的表现就会受到影响。例如，当面对大量视差时，基于学习的方法可能会模糊视差区域；而在低纹理场景下，传统的基于几何特征的方法则可能因缺乏足够的几何特征而失败。 #### 方法论 为了克服上述问题，研究团队提出了UDIS++，一种能够容忍视差变化的无监督深度图像拼接技术。该技术主要分为以下几个步骤： 1. **灵活的图像配准**：UDIS++通过一种从全局同构变换到局部薄板样条运动的鲁棒且灵活的配准方式来建模图像对齐过程。这种配准方法可以为重叠区域提供精确的对齐，并通过联合优化对齐和失真来保持非重叠区域的形状。 2. **增强的迭代策略**：为了提高模型的泛化能力，UDIS++还设计了一个简单但有效的迭代策略来增强配准适应性，尤其是在跨数据集和跨分辨率的应用中。 3. **消除视差伪影**：UDIS++进一步采取措施来消除视差伪影，确保最终的拼接结果既准确又自然。 #### 实验与验证 研究团队利用了UDIS-D数据集中的两个具体案例来验证UDIS++的有效性和优越性： 1. **大视差案例**：在这个案例中，研究人员展示了UDIS++如何有效地处理具有大视差的图像，相比于之前的方法（例如UDIS），UDIS++不仅没有模糊视差区域，而且还保持了高清晰度和连贯性。 2. **低纹理场景案例**：另一个案例则聚焦于低纹理场景下的图像拼接。与传统方法（如LPC）相比，UDIS++能够在缺乏足够几何特征的情况下成功地完成拼接任务，这得益于其强大的自适应学习能力和对复杂场景的理解。 #### 结论与展望 UDIS++作为一种新的图像拼接技术，不仅克服了现有方法在处理大视差和低纹理场景时的局限性，而且还在提高图像拼接质量方面取得了显著的进步。随着未来对这一领域研究的深入，预计UDIS++将在更多实际应用场景中发挥重要作用，如虚拟现实、自动驾驶等领域。此外，UDIS++的成功也为后续的研究提供了有价值的参考方向，即如何结合深度学习技术和传统几何特征提取方法来解决更广泛的实际问题。

领域自适应深度网络压缩 提供ICCV 2017 ，可在找到海报。 也可以使用。 如何运行tensorflow代码 该示例是在简单的非域转移简单实验上完成的。 我们在MNIST数据集上从头开始训练LeNet网络，然后使用SVD基线或我们提出的DALR方法压缩网络。 示例代码在jupyter笔记本中给出。 cd code/tensorflow jupyter notebook Experiment_LeNet_MNIST.ipynb 如何运行Matlab代码 可以从下载示例网络，然后将其复制到新文件夹“ nets /”。 mkdir nets cd nets wget http://mmasana.foracoffee.org/DALR_ICCV_2017/birds_vgg19_net.mat 然后，可以通过在MatLab终端上调用“ mainScript_compress_DALR.m

去噪声代码matlab 基于SALT的视频降噪 ============= 基于SALT的视频降噪随附于以下出版物：“联合自适应稀疏性和动态低秩：视频降噪的在线Tensor重构方案”，IEEE国际计算机视觉会议（ICCV），2017年。 描述： 我们提出了一种基于新型稀疏和低秩张量（SALT）模型的视频去噪方法。 引入了一种有效的，无监督的在线unit稀疏变换学习方法，以动态地施加自适应稀疏性。 基于SALT的视频降噪显示出低延迟，并且可以潜在地处理流视频。 据我们所知，这是将自适应稀疏性和低等级性相结合以进行视频降噪的第一项工作，也是以在线方式解决所提出的问题的第一项工作。 SALT软件包包括（1）SALT Matlab函数的集合，以及（2）SALT论文中使用的示例数据。 您可以在以下位置下载我们的其他软件包。 纸 可用纸。 如果使用，请引用我们的出版物： Bihan Wen，Yanjun Li，Luke Pfister和Yoram Bresler，“快速联合自适应稀疏性和低等级：用于视频降噪的在线张量重构方案”，Proc。 IEEE国际Conf。 计算机视觉（ICCV），2017年

Understanding color & the in-camera image processing pipeline for computer vision Dr. Michael S. Brown ICCV 2019 Tutorial 很值得学习的关于ISP和color的资料

猪matlab原始码iHOG：定向梯度直方图 该软件包包含用于反转和可视化HOG功能的工具。 它实现了我们的论文“ HOGgles：可视化目标检测特征” [1]中描述的配对字典学习算法。 安装 必须先编译iHOG，然后才能使用此工具。 在MATLAB中执行“编译”脚本，以编译HOG特征提取代码并稀疏编码SPAMS工具箱： $ cd /path/to/ihog $ matlab >> compile 如果您在编译SPAMS代码时遇到麻烦，则可以尝试打开文件/path/to/ihog/spams/compile.m并调整计算机的设置。 记住也要调整路径，以便MATLAB可以找到iHOG： >> addpath(genpath('/path/to/ihog')) 如果要在自己的项目中使用iHOG，只需将iHOG目录拖放到项目的根目录中即可。 为了使用iHOG，您必须具有学习过的配对字典。 默认情况下，iHOG会在首次执行时尝试从MIT下载经过预训练的软件。 如果您希望手动下载它，只需执行以下操作： $ wget http://people.csail.mit.edu/vondrick/pd.

自导网络快速图像去噪 SGN的PyTorch实现以及给定噪声范围的估计PSNR 训练 我在Python 3.6和PyTorch 1.0环境上训练了此SGN。 培训策略与论文相同。 您可以使用以下脚本对自己的数据进行训练（请注意，您需要修改数据集路径）： cd SGN python train.py or sh zyz.sh 测验 我使用ILSVRC2012验证集对4个NVIDIA TITAN Xp GPU进行了培训，并在1个TITAN Xp GPU上进行了测试。 详细信息显示在代码train.py 。 该演示来自SGN的ILSVRC2012验证集（mu = 0，sigma = 30，batchsize = 32、1000000次迭代）。 左：干净的图像（从COCO2014验证集中选择，COCO_val2014_000000264615.jpg） 中：加性高斯噪声+清晰图像 右

TSM：高效视频理解的时移模块 @inproceedings{lin2019tsm, title={TSM: Temporal Shift Module for Efficient Video Understanding}, author={Lin, Ji and Gan, Chuang and Han, Song}, booktitle={Proceedings of the IEEE International Conference on Computer Vision}, year={2019} } [NEW！]我们更新了online_demo的环境设置，并且应该更容易设置。 检查文件夹尝试！ [NEW！]我们已经在Kinetics上发布了预训练的光流模型。 我们相信预先训练的权重将有助于在其他数据集上训练两个流模型。 [NEW！]我们已经在NVIDIA Je

一键爬取 ECCV & ICCV & CVPR & NeurIPS 论文并使用关键词筛选，只下载关键词筛选的文章 也能拿来爬别的，反正看完nips代码就会发现基本大同小异了 凑字数： 使用xpath解析某个节点下所有文本(包括该节点的文本和其所有子节点的文本):

matlab合并代码窗口结构化森林 版本1.1 更新： 使用压缩来减小模型大小。 用Cython重写直方图功能以加快检测速度。 微调一些参数以稍微提高精度。 似乎Anaconda安装的libjpeg软件包在解码图像时存在一些错误。 解码结果与Matlab的imread输出结果不同。 因此，如果您使用Anaconda，则可以考虑卸载libjpeg，然后通过apt-get（对于Ubuntu）重新安装。 版本1.0 Piotr的ICCV论文“用于快速边缘检测的结构化森林”的Python实现。 性能几乎与Piotr的原始（Matlab）实现相同（在BSDS500上，Piotr的：[ODS = 0.738，OIS = 0.758，AP = 0.795，R50 = 0.923]，我的：[ODS = 0.739，OIS = 0.759，AP = 0.796，R50 = 0.924]）。 对于原始实现，请查看作者的网页：。 如何使用 平台：强烈建议使用Ubuntu 14.04 + Anaconda。 不过，我不使用任何平台相关的API。 因此，这些代码也应该在Windows / Mac OS X上也可