__  ___      _               _ ___    ____                             
   /  |/  /___ _(_)      _____  (_)   |  /  _/    _________  ____ ___      
  / /|_/ / __ `/ / | /| / / _ \/ / /| |  / /_____/ ___/ __ \/ __ `__ \     
 / /  / / /_/ / /| |/ |/ /  __/ / ___ |_/ /_____/ /__/ /_/ / / / / / /     
/_/  /_/\__,_/_/ |__/|__/\___/_/_/  |_/___/     \___/\____/_/ /_/ /_/      
    
    

Maiwei AI Lab - 迈微AI研习社^[?]

作者系迈微AI研习社创始人、CSDN博客专家，主要分享机器学习算法、计算机视觉等相关内容，每周研读顶会论文，持续关注前沿技术动态。公众号底部有菜单分类，关注我们，一起学习成长。

---

✨ 以用促学，先会后懂 ✨

L0CV ^🔊   一种结合了代码、图示和HTML的在线学习媒介

全面 前沿 免费 计算机视觉实战演练：算法与应用 📌 Computer Vision in Action 作者：张伟（Charmve） 跨平台，只需一个浏览器即可！ 👉 在线阅读（优先更新实战篇和进阶篇） - 地址：https://charmve.github.io/computer-vision-in-action/ 最新版PDF下载 - 地址：https://github.com/charmve/computer-vision-in-action/releases (马上来 ...)

分享 到

Index

• 💠 全书组织
• 🌈 愿景
• 📘 本书目录
• 🔍 文件浏览
• 🔑 如何食用
• ❓ 常见问题
• 👥 社区互助
• ❤️ 致谢
• 📄 LICENSE
• 👐 参与项目
• 🤝 关注我们
• 📎 Citation

🏷️ sec_code 图1 L0CV 结构图

💠 全书组织

🏷️ fig_book_org

全书详细思维导图

本书详细介绍，请移步 序言。

• 第一部分包括基础知识和预备知识。提供深度学习的入门课程，然后在理论篇中，将快速向你介绍实践计算机视觉所需的前提条件，例如如何存储和处理数据，以及如何应用基于线性代数、微积分和概率基本概念的各种数值运算，涵盖了深度学习的最基本概念和技术，例如线性回归、多层感知机和正则化。

• 第二部分是本书涉及的计算机视觉基础理论，核心部分为神经网络模型，包括神经网络、卷积神经网络、循环神经网络理论讲解，以图像分类、模型拟合与优化作为其代码的实战项目。在模型拟合和优化章节中，着重分享梯度下降、随机梯度下降、动量法、AdaBoost等方法。

• 接下来的七章集中讨论现代计算机视觉技术实战，也是本书的核心部分。围绕这样的组织逻辑：什么是计算机视觉？计算机视觉解决什么问题，都是怎么解决的？传统方法——以卷积神经网络为中心的神经网络；现代方法——Transformer、强化学习、迁移学习、生成对抗等。各种方法是如何实现的，用到了什么框架？在第7章中，描述了计算机视觉的经典卷积神经网络PyTorch实现，并为我们随后实现更复杂的模型奠定了基础。在随后的几个章节中，我们主要解决图像分类、目标检测、语义分割、3D重建等实际问题，并给出实战项目。

• 该部分以项目为实战指导，给出详细的项目指导书和代码实现，更为特别的是，给出了notebook可以直接在线运行，跑通结果，免去了本地运行环境的搭建复杂性。于此同时，为了方便读者在本地调试，作者建立了一个名为 L0CV 的第三方包，可以直接在代码中 import L0CV 后使用。

• 第三部分讨论最近几年出现的“网红”模型，诸如：Transformer、Attention、知识蒸馏、迁移学习、生成对抗模型等。这部分也是此份资料的力挺之作。最后，在 chap_optimization 中，我们讨论了用于训练深度学习模型的几种常用优化算法，如：模型压缩、模型剪枝、微调、蒸馏等。

Index

🌈 愿景

本开源项目代表了我们的一种尝试：我们将教给读者概念、背景知识和代码；我们将在同一个地方阐述剖析问题所需的批判性思维、解决问题所需的数学知识，以及实现解决方案所需的工程技能。

我们的目标是创建一个为实现以下目标的统一资源：

1. 所有人均可在网上免费获取；
2. 提供足够的技术深度，从而帮助读者实际成为计算机视觉应用科学家：既理解数学原理，又能够实现并不断改进方法；
3. 包含可运行的代码，为读者展示如何在实际中解决问题。这样不仅直接将数学公式对应成实际代码，而且可以修改代码、观察结果并及时获取经验；
4. 允许我们和整个社区不断快速迭代内容，从而紧跟仍在高速发展的计算机视觉领域；
5. 由包含有关技术细节问答的论坛作为补充，使大家可以相互答疑并交换经验。

Index

📘 本书目录

👉 在线阅读（优先更新实战篇和进阶篇）

- 地址：https://charmve.github.io/computer-vision-in-action/

📘 详细目录

序言 主要符号表 绪论篇 第 0 章 计算机视觉概述 0.1 概述 0.1.1 什么是计算机视觉 0.1.2 计算机视觉解决什么问题 0.1.3 行业应用 0.2 计算机视觉基本概念 0.3 发展历史回顾 0.4 典型的计算机视觉任务 图像分类 目标识别与目标检测 实例分割与语义分割 3D 建模 0.5 国内外优秀的计算机视觉团队汇总 小练习 小结 参考文献 理论篇 第 1 章 神经网络 1.1 线性回归 1.1.1 基本原理 1.1.2 从零实现线性回归 1.1.3 线性回归的简洁实现 1.2 Softmax 回归 1.2.1 softmax回归模型 1.2.2 从零开始实现softmax回归 1.2.3 softmax回归的简洁实现 1.3 多层感知器 1.3.1 基本原理 1.3.2 从零开始实现多层感知器 1.3.3 多层感知器的简洁实现 1.4 反向传播算法 1.5 神经网络 1.5.1 神经学观点 1.5.2 神经网络1-建立神经网络架构 1.5.3 神经网络2-设置数据和损失 1.5.4 神经网络3-学习和评估 1.5.5 案例分析-最小神经网络案例研究 1.6 实战项目 1 - 手写字分类 小结 参考文献 第 2 章 卷积神经网络 2.1 从神经网络到卷积神经网络 2.1.1 定义 2.1.2 卷积神经网络的架构 2.2 卷积网络的层级结构 2.2.1 数据输入层 2.2.2 卷积计算层 2.2.3 非线性层（或激活层） 2.2.4 池化层 2.2.5 全连接层 2.3 卷积神经网络的几点说明 2.4 实战项目 2 - 动手搭建一个卷积神经网络 2.4.1 卷积神经网络的前向传播 2.4.2 卷积神经网络的反向传播 2.4.3 手写一个卷积神经网络 1. 定义一个卷积层 2. 构造一个激活函数 3. 定义一个类，保存卷积层的参数和梯度 4. 卷积层的前向传播 5. 卷积层的反向传播 6. MaxPooling层的训练 2.4.4 PaddlePaddle卷积神经网络源码解析 小结 参考文献 第 3 章 图像分类 3.1 数据驱动方法 3.1.1 语义上的差别 3.1.2 图像分类任务面临着许多挑战 3.1.3 数据驱动的方法 3.2 k 最近邻算法 3.2.1 k 近邻模型 3.2.2 k 近邻模型三个基本要素 3.2.3 KNN算法的决策过程 3.2.4 k 近邻算法Python实现 小结 参考文献 3.3 支持向量机 3.3.1 概述 3.3.2 线性支持向量机 3.3.3 从零开始实现支持向量机 3.3.4 支持向量机的简洁实现 3.4 逻辑回归 LR 3.4.1 逻辑回归模型 3.4.2 从零开始实现逻辑回归 3.4.3 逻辑回归的简洁实现 3.5 实战项目 3 - 表情识别 3.6 实战项目 4 - 使用卷积神经网络对CIFAR10图片进行分类 小结 参考文献 第 4 章 循环神经网络 4.1 循环神经网络 RNN 4.2 循环神经网络的从零开始实现 4.3 循环神经网络的简洁实现 4.4 长短期记忆人工神经网络 LSTM 4.5 门控循环单元（GRU） 小结 练习 参考文献 第 5 章 图神经网络 5.1 历史脉络 5.2 图神经网络(Graph Neural Network) 5.2.1 状态更新与输出 5.2.2 不动点理论 5.2.3 具体实现 5.2.4 模型学习 5.2.5 GNN与RNN 5.2.6 GNN的局限 5.3 门控图神经网络(Gated Graph Neural Network) 5.3.1 状态更新 5.3.2 实例1:到达判断 5.3.3 实例2:语义解析 5.3.4 GNN与GGNN 5.4 图卷积神经网络(GCNN) 5.4.1 图卷积缘起 5.4.2 图卷积框架(Framework) 5.4.3 再谈卷积 5.4.4 空域卷积(Spatial Convolution) 5.4.5 消息传递网络(Message Passing Neural Network) 5.4.6 图采样与聚合(Graph Sample and Aggregate) 5.4.7 图结构序列化(PATCHY-SAN) 5.4.8 频域卷积(Spectral Convolution) 5.5 生成图表示 5.5.1 图读出操作(ReadOut) 5.5.2 基于统计的方法(Statistics Category) 5.5.3 基于学习的方法(Learning Category) 5.5.4 其他方法 5.6 图神经网络在计算机视觉上的应用 5.6.1 点云分割 5.6.2 点云生成 5.6.3 RGBD图像分割 5.6.4 视觉问答VQA 5.6.5 零次学习ZSL 小结 参考文献 第 5 章 模型选择、欠拟合和过拟合 5.1 训练误差和泛化误差 5.2 模型选择 5.3 欠拟合和过拟合 5.4 多项式函数拟合实验 5.5 数值稳定性和模型初始化 小结 参考文献 第 6 章 模型拟合与优化算法 6.1 优化与深度学习 6.2 梯度下降和随机梯度下降 6.3 小批量随机梯度下降 6.4 动量法 6.5 AdaGrad算法 6.6 RMSProp算法 6.7 AdaDelta算法 6.8 Adam算法 小结 参考文献 实战篇 第 6 章 软件环境搭建与工具使用 6.1 深度学习环境搭建指南 6.2 Pytorch 基础使用介绍 6.2.1 Tensors 6.2.2 Operations 6.2.3 Numpy桥梁 6.2.4 CUDA Tensors 6.3 Python 6.4 Numpy 基础使用 6.5 Pandas 基础使用 6.6 OpenCV 安装及基础使用 6.7 Jupyter Notebook 配置及基础使用 6.8 基本的图像操作和处理 6.8.1 PIL：Python图像处理类库 6.8.2 Matplotlib 6.8.3 NumPy 6.8.4 SciPy 6.8.5 高级示例：图像去噪 6.9 实战项目 5 - 使用OpenCV进行图像全景拼接 小结 参考文献 第 7 章 经典卷积神经网络架构：原理与PyTorch实现 7.1 卷积神经网络（LeNet） 7.2 深度卷积神经网络（AlexNet） 7.3 使用重复元素的网络（VGG） 7.4 含并行连结的网络（GoogLeNet） 7.5 残差网络（ResNet） 7.6 二阶网络编码解码（U-Net） 7.7 稠密连接网络（DenseNet） 7.8 语义分割网络（SegNet） 7.9 实例分割网络（Mask-RCNN） 7.10 区域卷积神经网络（R-CNN） 7.11 全卷积网络（FCN） 7.12 YOLO: 实时目标检测 小结 参考文献 第 8 章 著名数据集及基准 8.1 数据集 8.1.1 常见数据集 8.1.1.1 ImageNet 8.1.1.2 MNIST 8.1.1.3 COCO 8.1.1.4 CIFAR-10 8.1.2 Pytorch数据集及读取方法简介 8.1.3 数据增强简介 总结 8.2 基准测试 8.3 评价指标 8.4 实战项目 6 - Kaggle比赛：图像分类（CIFAR-10） 8.5 实战项目 7 - Kaggle比赛：狗的品种识别（ImageNet Dogs） 小结 参考文献 第 9 章 检测与分割实战项目 9.1 语义分割 9.1.1 语义分割 PyTorch 版 9.1.2 实战项目 8 - 基于PolarNet的点云端到端语义分割项目实战 9.2 目标检测 9.2.1 常用网络 9.2.2 实战项目 9 - 基于PyTorch的YOLO5目标检测项目实战 9.3 实例分割 9.3.1 常用网络 9.3.2 实战项目 10 - 实时高分辨率背景抠图 9.3.3 新方法：滑动窗口, PointRend, PolarMask 小结 参考文献 第 10 章 计算机视觉课题研究初探 10.1 手写字识别 10.2 文本检测 10.3 车道线检测 10.3.1 常用网络 10.3.2 实战项目 11 - 车道线检测项目实战 10.4 镜面检测 10.5 图像抠图 Matting 10.6 图像超分辨率 10.7 3D 重建 小结 参考文献 进阶篇 第 11 章 可视化和理解卷积神经网络 11.1 特征可视化 11.2 倒置 11.3 可视化数据梯度 11.4 Embeddings 11.5 对抗样本 11.6 DeepDream 和风格迁移 11.7 实战项目 12: PyTorch 如何使用TensorBoard 11.4.1 创建 TensorBoard 11.4.2 写入 TensorBoard 11.4.3 使用 TensorBoard 检查模型 11.4.4 向 TensorBoard 添加 "Projector" 11.4.5 使用 TensorBoard 跟踪模型训练 11.4.6 使用 TensorBoard 评估训练好的模型 11.4.7 案例总结 小结 参考文献 第 12 章 生成对抗模型 12.1 Pixel RNN/CNN 12.2 自编码器 Auto-encoder 12.3 生成对抗网络 GAN 12.3.1 概述 12.3.2 GAN的基本思想 12.3.3 GAN浅析 12.3.3.1 GAN的基本结构 12.3.3.2 GAN的训练方式 关于生成器 关于判别器 如何训练 12.3.4 训练相关理论基础 12.3.5 项目实战案例StyleGAN StyleGAN StyleGAN 2.0 12.3.6 实战项目11 - 图像风格迁移 小结 参考文献 12.4 变分自编码器 Variational Auto-encoder, VAE 12.4.1 概述 12.4.2 基本原理 12.4.2.1 定义 12.4.2.2 理论基础：三要素 12.4.2.3 推导过程 12.4.3 VAE v.s. AE 区别与联系 12.4.4 变分自编码器的代码实现 12.4.5 卷积变分自编码器的实现与简单应用 12.4.6 实战项目 13 - 旧照片修复 小结 参考文献 参考文献 第 13 章 深度增强学习 13.1 引言-如何解决通用人工智能的难点 13.2 什么是深度增强学习 13.2.1 深度学习 13.2.2 增强学习 13.2.3 二者的融合 13.3 怎么利用深度增强学习解决问题 13.3.1 Policy-based DRL 13.3.2 Value-based DRL 13.3.3 Model-based DRL 13.4 深度增强学习在计算机视觉中的应用 小结 参考文献 第 14 章 视频理解 14.1 概述 14.2 视频理解场景中的主要问题 14.3 常用数据集 14.4 主流方法与模型架构 14.5 指标 METRICS 14.6 可能的未来方向 小结 参考文献 第 15 章 迁移学习 15.1 概述 15.1.1 背景 15.1.2 定义及分类 15.1.3 关键点 15.2 基于实例的迁移 15.3 基于特征的迁移 15.4 基于共享参数的迁移 15.5 深度学习和迁移学习结合 15.7 实战项目 14 - 蚂蚁和蜜蜂的分类问题 15.7.1 迁移学习在计算机视觉领域的应用 15.7.2 实战项目: 蚂蚁和蜜蜂的分类问题 小结 参考文献 第 16 章 计算机视觉中的注意力机制 Attention is All You Need 16.1 概述 16.2 Attention with RNNs 16.3 Self-attention 自注意力 16.4 软注意力（soft-attention） 16.4.1 空间域注意力 16.4.2 通道注意力 16.4.3 Positional encoding 16.4.4 混合域模型 16.4.5 Masked attention 16.4.6 Multi-head attention 16.5 强注意力（hard attention） 16.6 Attention九层塔 - 注意力机制的九重理解 小结 参考文献 第 17 章 跨界模型 Transformer 17.1 思想和框图 17.2 实现细节 17.2.1 Encoder 17.2.2 Decoder 17.2.3 Self-Attention 17.2.4 Multi-Headed Attention 17.2.5 Positional Encoding 17.3 应用任务和结果 17.3.1 NLP领域 17.3.2 CV领域 17.3.2.1 检测DETR 17.3.2.2 分类ViT 17.3.2.3 分割SETR 17.3.2.4 Deformable-DETR 17.4 优点及分析 17.5 缺点及分析 实战项目 15 - 基于Transformer的视频实例分割网络VisTR (CVPR2021) 小结 参考文献 第 18 章 知识蒸馏 18.1 概要 18.2 KD主要方法 18.2.1 Logits(Response)-based Knowledge 18.2.2 Feature-based Knowledge 18.2.3 Relation-based Knowledge 18.3 知识蒸馏的应用 NLP-BERT 18.4 常见疑问解答 实战项目 16 - 支付宝CVPR细粒度视觉分类挑战赛夺冠方案解读 小结 参考文献 第 19 章 Normalization 模型 19.1 从Mini-Batch SGD说起 19.2 Normalization到底是在做什么 19.3 Batch Normalization如何做 19.3.1 前向神经网络中的BN 19.3.2 CNN网络中的BN 19.3.3 Batch Norm的四大罪状 19.4 Layer Normalization、Instance Normalization及Group Normalization 19.4.1 Layer Normalization 19.4.2 Instance Normalization 19.4.3 Group Normalization 19.4.4 用一个故事来总结 19.5 Normalization操作的Re-Scaling不变性 19.6 Batch Normalization为何有效 小结 参考文献 第 20 章 模型压缩与裁剪 20.1 概述 20.2 模型压缩 20.2.1 线性或非线性量化（1990~2014 - 至今） 20.2.2 结构或非结构剪枝（1989~2014 - 至今 20.2.3 网络结构搜索（2016 - 至今） 20.2.4 权重矩阵的低秩分解（） 20.2.5 知识蒸馏（2014-至今） 20.3 模型优化加速 20.3.1 Op-Level 的快速算法 20.3.2 Layer0-level 的快速算法 20.3.3 硬件计算单元优化算法 CPU、GPU和NPU ASIC 和 FPGA PIM（NDP） 20.4 优化工具与库 20.4.1 TensorRT Nvidia) 20.4.2 TVM (Tensor Virtual Machine) 20.4.3 Tensor Comprehension (Facebook) 20.4.4 Distiller (Intel) 小结 参考文献 附录 A 矩阵 B 常用激活函数总结 C 梯度下降法 D 深度学习调参技巧总结 后记 参考文献 - 更新中 ... 收起

Index

🔍 文件浏览

按书中内容先后顺序逐章阅读，或者选取特定章节祥读 📁 docs/ ¹，动手实践章节代码，在代码文件 📁 code/ ² 下找到对应代码，本地测试或者Colab 📁 notebooks/ ³ 在线测试。

• 📁 L0CV/ - 专为本项目建立的 💮 L0CV 包
• 📁 code/ - 书中完整代码
• 📁 datasets/ - 本书所用数据集
  • 📁 images/ - 经典图像处理图片
• 📁 docs/ - 全书按照一下几个篇目进行编写
  • 📁 0_绪论/ - 全书绪论
  • 📁 1_理论篇/ - 基本理论和算法基础
  • 📁 2_实战篇/ - 项目实战教程
  • 📁 3_进阶篇/ - 最新CV模型和算法
  • 📁 附件/ - 所需数学和统计学知识
  • 📁 img/ - 各章节所使用的插图
• 📁 models/ - 封装可用的预训练模型
• 📁 notebooks/ - 🚩 全书 Colab notebook，可在线测试
  • 📁 chapter01_neural-networks/ - 第 1 章 - 神经网络 Jupyter Notebook 实现
  • 📁 chapter02_CNN/ - 第 2 章 - 卷积神经网络 Jupyter Notebook 实现
  • 📁 chapter03_Image-Classification - 第 3 章 - 图像分类 Jupyter Notebook 实现
  • 📁 chapter04_recurrent-neural-networks/ - 第 4 章 - 递归神经网络 Jupyter Notebook 实现
  • 📁 chapter05_graph-neural-network/ - 第 5 章 - 图神经网络 Jupyter Notebook 实现
  • 📁 chapter07_optimization/ - 第 6 章 - 模型拟合与优化算法 Jupyter Notebook 实现
  • 📁 chapter08_environment-setup-and-tool-use/ - 第 7 章 - 软件环境搭建与工具使用 Jupyter Notebook 实现
  • 📁 chapter09_convolutional-neural-networks/ - 第 8 章 - 经典神经网络架构：原理与PyTorch实现 Jupyter Notebook 实现
  • 📁 chapter12_practice-projects - 第 12 章 - 计算机视觉课题研究初探 Jupyter Notebook 实现
  • 📁 chapter13_Understanding-and-Visualizing/ - 第 13 章 - 可视化与理解卷积神经网络 Jupyter Notebook 实现
  • 📁 chapter14_GAN/ - 第 14 章 - 生成对抗模型 Jupyter Notebook 实现
  • 📁 chapter15_Transfer-Learning/ - 第 15 章 - 迁移学习 Jupyter Notebook 实现
  • 
  • 📁 chapter16_Attention/ - 第 16 章 - 注意力机制 Jupyter Notebook 实现
  • 📁 chapter17_Transformers/ - 第 17 章 - Transformers Jupyter Notebook 实现
  • ...
  • 📁 imgs/ - Jupyter Notebook 中用到的图片
  • 📁 docker/ - 为降低读者的学习成本，目前未进行搭建
  • 📁 res/ - ui 图片及全书思维导图PDF
  • 📄 README.md - 全书介绍及目录

Index

🔑 如何食用

🔎 详细攻略展开

方式一 Jupyter Notebook (推荐方式 ✨)

1. 本地运行

• 依赖包安装

pip3 install -r requirements.txt

• 安装 Jupyter

python3 -m pip install --upgrade pip
python3 -m pip install jupyter

• 查看并运行jupyter

请在终端（Mac / Linux）或命令提示符（Windows）上运行以下命令：

cd notebooks
jupyter notesbook

2. 远程运行

• 打开每章节首页，点击 可直接打开 Google Colab ，点击 [Copy to Drive] 即可在线运行测试。

• 点击 也可在 mybinder 查看和在线运行。

图2 例子：12.3.3 样式迁移

图3 例子：12.3.3 样式迁移 Colab 点击 [Copy to Drive]

方式二 使用 /code

1. 运行环境 + L0CV 加载

• 依赖包安装

sudo apt-get update
pip3 install -r requirements.txt

• 创建 L0CV

python3 setup.py

• 测试环境

cd code
python3 L0CV_test.py

2. 直接调用每个章节的代码测试

import L0CV

收起

Index

❓ 常见问题

• 在线教程页面无法打开：

  测试中存在部分人打不开在线教程的情况。

  部分小伙伴反馈尝试切换浏览器后可以正常打开了，如果仍然不行，最有效的解决办法是科学上网。

• 无法加载图片的解决办法：

  根本解决办法还是科学上网，也可以尝试修改host文件看下是否能解决。

  解决方案: 修改host文件 Mac Windows

• 公式无法正常显示解决办法：

  GitHub中的Markdown原生是不支持LATEX公式显示的，如果你喜欢在本项目中直接浏览教程，可以安装Chrome的MathJax Plugin for Github插件让大部分公式正常显示。而docs文件夹已经利用docsify被部署到了GitHub Pages上，包含公式的章节强力建议使用 《计算机视觉实战演练：算法与应用》 在线阅读 进行学习。

  当然如果你还想跑一下运行相关代码的话还是得把本项目clone下来，然后运行code文件夹下相关代码。

• Jupyter Notebook 无法在 GitHub 上呈现？ 使用 nbviewer。

Index

LICENSE

• L0CV代码部分采用 Apache 2.0协议 进行许可，包括名为 L0CV 的原创第三方库、/code和/notebook下的源代码。遵循许可的前提下，你可以自由地对代码进行修改，再发布，可以将代码用作商业用途。但要求你：

  • 署名：在原有代码和衍生代码中，保留原作者署名及代码来源信息。
  • 保留许可证：在原有代码和衍生代码中，保留Apache 2.0协议文件。

• L0CV文档部分采用 知识共享署名 4.0 国际许可协议 进行许可。 遵循许可的前提下，你可以自由地共享，包括在任何媒介上以任何形式复制、发行本作品，亦可以自由地演绎、修改、转换或以本作品为基础进行二次创作。但要求你：

  • 署名：应在使用本文档的全部或部分内容时候，注明原作者及来源信息。
  • 非商业性使用：不得用于商业出版或其他任何带有商业性质的行为。如需商业使用，请联系作者。
  • 相同方式共享的条件：在本文档基础上演绎、修改的作品，应当继续以知识共享署名 4.0国际许可协议进行许可。

Index

👥 社区互助

如果您在使用的过程中碰到问题，可以通过下面几个途径寻求帮助，同时我们也鼓励资深用户通过下面的途径给新人提供帮助。

• 通过 提问时，建议使用 Q&A 标签。

• 通过 或者 提问时，建议加上 L0CV 标签。

• 微信、知乎、微博开话题可以生成tag，如微信聊天、朋友圈加 #L0CV 可话题交流。

Index

致谢

     

Index

参考文献

感谢前人的杰出工作，我才得以写出此书。感谢 参考文献 中列出及未列出的，所有对此开源工作有帮助的前辈！

Index

关注我们

扫描下方二维码，然后回复关键词“计算机视觉实战教程”，即可加入“读者交流群”

• 若本书里没有你想要理论和实战项目，或者你发现本书哪个地方有错误，请毫不犹豫地去本仓库的 Issues（ 地址 https://github.com/charmve/computer-vision-in-action/issues ）进行反馈，在对应版块提交你希望补充的内容或者勘误信息，作者通常会在 24 小时以内给您回复，超过 24 小时未回复的话可以邮件联系我（微信 MaiweiE_com）；

• 同时，我也欢迎大家加入本项目的建设中来，欢迎 pull request！

• 请尽管表达你们的意见和建议，GitHub issues 和 电子书下方都可以留言，也可写邮件给我，我一定会回！

Index

CONTRIBUTION

作者会尽最大努力来确保书中内容的准确性，但难免会存在疏漏与不妥之处。欢迎您将发现的问题反馈给我们，帮助提升本开放资源的质量。

Help us make these docs great! All VC-action docs are open source. See something that's wrong or unclear? Submit a pull request. Make a contribution Or, learn how to contribute. Still need help? Ask our community Contact support

Index

Citation

Use this bibtex to cite this repository:

@misc{computer-vision-in-action,
  title={计算机视觉实战演练：算法与应用（Computer Vision in Action）},
  author={Charmve},
  year={2021.06},
  publisher={Github},
  journal={GitHub repository},
  howpublished={\url{https://github.com/Charmve/computer-vision-in-action}},
}

Index

Stargazers Over Time

Awesome! Charmve/computer-vision-in-action was created 2 months ago and now has 956 stars.

Feel free to ask any questions, open a PR if you feel something can be done differently!

🌟 Star this repository 🌟

Created by Charmve & maiwei.ai Community | Deployed on GitHub Page