deep image homography estimation**：
我們提出了乙個深度卷積神經網路來估計一對影象之間的相對單應性。我們的前饋網路有10層，以兩幅疊加的灰度影象作為輸入，生成乙個8自由度的單應性，用於將畫素從第一幅影象對映到第二幅影象。我們提出了兩種用於同形網路的卷積神經網路結構:一種是直接估計實值單應性引數的回歸網路，另一種是在量化同形網路上產生分布的分類網路。我們使用乙個4點單應性引數化將乙個影象的四個角對映到另乙個影象。我們的網路使用變換的ms-coco影象以端到端的方式訓練。我們的方法不需要單獨的區域性特徵檢測和變換估計階段。我們的深度模型與基於orb特徵的傳統單應性估計器進行了比較，並重點介紹了同形網路優於傳統技術的場景。我們還描述了由深度單應性估計驅動的各種應用，從而展示了深度學習方法的靈活性。
a comparative analysis of sift, surf, kaze, akaze, orb, and brisk**：
影象配準是將同一場景中從不同視角捕捉到的兩幅或多幅影象進行匹配、對齊和疊加的過程。它在許多基於視覺的應用中被廣泛使用。影象配準有五個主要階段:特徵檢測和描述;特徵匹配;離群值被拒絕;變換函式的推導;和影象重建。
基於特徵的影象配準的時機和精度主要取決於所選擇的特徵檢測-描述子的計算效率和魯棒性。因此，特徵檢測描述符的選擇是特徵匹配應用中的關鍵決策。本文對sift、surf、kaze、akaze、orb、brisk演算法進行了綜合比較。它也闡明了乙個關鍵的困境:哪個演算法是更不變的比例，旋轉和視點的變化?為了研究這個問題，使用這些特徵進行了影象匹配，將標準影象的縮放版本(5%到500%)、旋轉版本(0到360度)和透視變換版本與原始影象匹配。從基準資料集(牛津大學、matlab、vlfeat和opencv)拍攝的不同影象上進行了實驗。採用最近鄰-距離比作為特徵匹配策略，ransac用於剔除異常值和擬合變換模型。結果包括定量比較、特徵檢測-描述時間、特徵匹配時間、異常值抑制和模型擬合時間、可重複性和恢復結果與地基真值相比的誤差。sift和brisk是最精確的演算法，而orb和brisk是最有效的演算法。這篇文章包含了豐富的資訊，對於基於視覺的應用程式的重要決策非常有用，這項工作的主要目的是為研究人員設定乙個基準，無論任何特定的領域。
a novel panoramic image stitching algorithm based on orb
影象拼接技術是將多幅區域重疊的影象集成為一幅完整的影象，具有大視角、小變形、無明顯縫合的特點。影象拼接可以在不改變硬體的情況下實現機械人的全域性定位和自主導航。sift特徵和surf特徵是影象拼接中的經典演算法。但是他們有乙個很長時間的問題。針對這一問題，提出了一種基於orb(面向快速旋轉簡要圖)特徵的快速影象拼接演算法。該演算法首先選擇將方向資訊新增到快速檢測器的orb演算法進行影象特徵提取和匹配。其次，利用隨機樣本一致性(rasanc)演算法消除偽匹配點。最後，採用加權平均方法加速影象融合。實驗結果表明，本文演算法的拼接效果與sift演算法和surf演算法相同。該演算法具有兩個明顯的優點:(1)拼接速度明顯快於shift和surf演算法;(2)對攝像機的外部引數具有較強的魯棒性。因此，本文提出的演算法有望應用於一些手持電子裝置。
PMON的下一步
現在pmon最大的問題就是不夠穩定，經常出些小問題。因為 比較亂，所以查詢起問題來越來越困難。公司的一些底層開發人員也一直有將龍芯的bootloader移植到uboot上來的打算，但時間太緊，一時又沒法完成這個任務，因此這個事情就一拖再拖了，到現在幾乎一年。看了整個的pmon 覺得其實真有必要好好整...
戴爾的下一步
3月21日，42歲的邁克 戴爾腳踩改革風火輪飛到上海。在南京路附近乙個豪華酒店的會議室裡，這個身材魁梧的新ceo彷彿變魔術一樣，開啟乙個具有吉祥寓意的金豬模型，亮出乙個 超低價電腦 在中國設計和製造的，起價僅2599元人民幣的ec280電腦。站在新作品後面，這位中年男人臉上流露出孩子般的狡黠笑容，他...
如何實現「上一步」 「下一步」的對話方塊
1.類cpropertypage 是從cdiaglog中派生出來的，具有diaglog的基本性質，需要注意的是它的樣式必須是child。2.類cpropertysheet 是乙個屬性表，也是乙個窗體，相當乙個容器，用來存放所有的cpropertypage。它不是 從cdialog 派生出來的，但是它...