图像视觉各个领域文献目录

图像视觉各个领域文献目录

当前图像视觉各个领域文献资料的索引,包含计算机视觉、图像处理、文本(图像)分析、视频分析、模式识别等主题。如果对哪个方向比较感兴趣,可以查看这个方向的比较重要的Paper,每一个大的目录后面都对应一些更细的研究方向,选择某个研究方向就能获得该领域从经典到最新的文献资料索引。

1:帮助和FAQ

版权声明,怎样找到文章、介绍等。

2:期刊会议组织

期刊列表,会议名称列表,研究组织

3:综合信息

        书籍,合集,回顾,综述,概述

4:理念、基础、传感

计算机视觉,正则化,连接主义,形态学,尺度空间,小波,显著性,颜色,传感器,光学,激光,雷达

5:图像处理

图像处理,图像修复,图像增强,图像滤波,图像和视频编码

6 :边缘检测

边缘分析,直线,线段,曲线,角,霍夫变换

7 :2-D 特征

特征分析,特征抽取,特征表达,形状,骨架,纹理

8 :2-D 区域技术

区域分割技术, Snakes, 主动轮廓模型(ASM)

9:3-D重建技术

描影法(Shape fromShading) 、纹理法(Shape fromTexture) 、梯度法(Shape from Gradient)成型,激光和结构光,焦点,线绘

10:立体图像技术

多视角三维描述 ,双目视觉,三目视觉

11:3D计算

3D目标描述和计算,三维表面重建,图形学和辅助视觉,3D蛇模型,三维计算基本算法

12:低层图像识别技术

用点、线、区域、面积、表面进行图像配准(Registration)、匹配和识别

13:高层图像识别技术

基于高层视觉技术、旋转不变性的匹配和识别,基于知识的视觉

14:模式识别技术

聚簇算法,统计,语法,学习,神经网络,遗传算法

15:主动视觉, 自动车辆,相机标定

主动视觉, 自动车辆,相机标定,移动机器人,导航,道路跟踪

16:运动算法

运动特征,运动估计,运动目标跟踪, 监控系统,运动检测

17 :光流场计算和使用

18:运动分析

图像差分,运动分割,图像马赛克,超分辨率,运动边缘检测,多帧时空分析。

19:应用系统

实现与应用,数据库,QBIC,视频分析,硬件与软件,增强现实,虚拟现实,工业应用等

20:医学应用

细胞、DNA分析,视网膜分析,X射线图像分析,CAT(computed axial tomography),MRI, 超声波, 心模型,脑模型

21:人脸算法

人脸识别,人脸检测,人脸跟踪,姿势识别,指纹,生物认证

22:地图地形

地图学, 航空影像,遥感,建筑图像,道路,地形, ATR(红外目标自动识别)

23:文本字符

OCR,文本分析,字符识别系统,水印技术

24:未排序条目

语音、声音、信号处理、模式识别、控制系统、时间序列、金融分析、故障诊断、音乐、通信相关调制技术、传感网络

25:其他

科学论文,研究团体,数据库资源,其他计算机视觉资源

本文是从Annotated Computer Vision Bibliography: Table of Contents编译整理的。

声明:

如果转载了本文,也请注明转载出处:http://www.cvrobot.net/annotated-computer-vision-bibliography-table-of-contents/

如果您对该机器学习、图像视觉算法技术感兴趣,可以关注新浪微博:视觉机器人  或者加入 QQ群:101371386

您的关注是我们最大的努力源泉~~

时间: 2024-08-12 03:46:11

图像视觉各个领域文献目录的相关文章

[转载]图像视觉各个领域文献目录

转载自:http://www.cvrobot.net/annotated-computer-vision-bibliography-table-of-contents/ 当前图像视觉各个领域文献资料的索引,包含计算机视觉.图像处理.文本(图像)分析.视频分析.模式识别等主题.如果对哪个方向比较感兴趣,可以查看这个 方向的比较重要的Paper,每一个大的目录后面都对应一些更细的研究方向,选择某个研究方向就能获得该领域从经典到最新的文献资料索引. 1:帮助和FAQ 版权声明,怎样找到文章.介绍等.

paper 27 :图像/视觉显著性检测技术发展情况梳理(Saliency Detection、Visual Attention)

1. 早期C. Koch与S. Ullman的研究工作. 他们提出了非常有影响力的生物启发模型. C. Koch and S. Ullman . Shifts in selective visual attention: Towards the underlying neural circuitry. Human Neurobiology, 4(4):219-227, 1985. C. Koch and T. Poggio. Predicting the Visual World: Silenc

图像视觉的调试

一般的模式,也是目前我的模式是这样的 接触一个任务->划分类型->halcon预处理一下,也可以出demo(图片,程序)->opencv(或相关的东西)->封装成为dll文件->发布 所以,核心的东西还是opencv和c++,如何调试(包括一些编程程序的技巧),其实也是不断摸索出来的,这里进行一些整理. 1.框架文件,可以配置成为基础的 就是说那种运行opencv的框架,如果不弄好放在那里,每次都要来配置,会很麻烦: 2.调试算法,还是要console中进行调试 这里想比对的

视觉slam领域经典综述和具体应用场景

一.经典综述文章 1.  Durrant-Whyte H, Bailey T. Simultaneous localization and mapping: part I[J]. IEEE robotics & automation magazine, 2006, 13(2): 99-110. 2. T. Bailey and H. F. Durrant-Whyte. Simultaneous Localisation and Mapping (SLAM): Part II. Robotics

图像指纹的重复识别

在google上面搜索图像识别的时候,搜到一篇好文章,在这里翻译一下,所有版权来源于https://realpython.com/blog/python/fingerprinting-images-for-near-duplicate-detection/,作者源代码:https://github.com/realpython/image-fingerprinting/blob/master/code/output.csv虽然英语过了六级,但是仍然有很多专业术语不懂,翻译水平也只能是凑合而已.

【超分辨率专题】—基于深度学习的图像超分辨率最新进展与趋势

1.简介 图像超分辨率是计算机视觉和图像处理领域一个非常重要的研究问题,在医疗图像分析.生物特征识别.视频监控与安全等实际场景中有着广泛的应用.随着深度学习技术的发展,基于深度学习的图像超分方法在多个测试任务上,取得了目前最优的性能和效果.本文介绍的一篇综述(Deep Learning for Image Super-resolution:A Survey)给出了一个统一的深度学习视角,来回顾最近的超分技术进展,主要包括三个方面: 给出了综合性的基于深度学习的图像超分技术综述,包括问题设置.数据

自动驾驶中高精地图的大规模生产:视觉惯导技术在高德的应用

导读:导航.驾驶辅助.自动驾驶等技术的不断发展对地图的精细程度提出了更高的要求.常规的道路级地图对于智能交通系统存在很多不足,针对自动驾驶应用的需求,我们提出了利用视觉惯导技术制作高精地图的方法. 本文将首先介绍视觉和惯导的主流设备,视觉惯导融合的框架和关键技术,高德在基于视觉方式生成高精地图道路标志和地面标识要素的计算方案,最后总结了这项技术在高精地图精度上所面临的挑战和未来发展方向.   视觉惯导技术具有广泛前景 高精地图是自动驾驶的核心技术之一,精准的地图对无人车定位.导航与控制,以及安全

StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation - 1 - 多个域间的图像翻译论文学习

Abstract 最近在两个领域上的图像翻译研究取得了显著的成果.但是在处理多于两个领域的问题上,现存的方法在尺度和鲁棒性上还是有所欠缺,因为需要为每个图像域对单独训练不同的模型.为了解决该问题,我们提出了StarGAN方法,这是一个新型的可扩展的方法,能够仅使用一个单一模型就实现多领域的图像翻译.StarGAN这样的统一模型的结构允许在单个网络上同时训练带有不同领域的多个数据集.这使得StarGAN的翻译图像质量优于现有的模型,并具有将输入图像灵活地翻译到任意目标域的新能力.通过实验,验证了该

基于深度学习的图像语义编辑

深度学习在图像分类.物体检测.图像分割等计算机视觉问题上都取得了很大的进展,被认为可以提取图像高层语义特征.基于此,衍生出了很多有意思的图像应用. 为了提升本文的可读性,我们先来看几个效果图. 图1. 图像风格转换 图2. 图像修复,左上图为原始图,右下图为基于深度学习的图像 图3. 换脸,左图为原图,中图为基于深度学习的算法,右图为使用普通图像编辑软件的效果 图4. 图像超清化效果图,从左到右,第一张为低清图像三次插值结果,第二张残差网络的效果,第三张为使用对抗神经网络后的结果,第四张为原图.