#Computer Vision

MLE-Flashcards

提供超过200张涵盖计算机科学、经典机器学习和现代深度学习的复习卡片，帮助准备机器学习工程师面试。这些卡片可帮助回顾和巩固知识，并包含谷歌、特斯拉等公司的面试经验分享。卡片还包括最新的动画问答版本，链接了相关演讲幻灯片和参考资源，适合有一定基础的学习者和希望深入了解的初学者。

Failed-ML

本页面收录了多个领域的机器学习项目失败案例，包括经典机器学习、计算机视觉、预测分析、图像生成、自然语言处理和推荐系统。通过这些失败案例，了解项目失败的原因，汲取宝贵经验，避免未来犯同样的错误，为机器学习领域的研究和应用提供重要的反思素材。

computer-vision-course

由Hugging Face社区超过60位贡献者共同创建的计算机视觉课程，涵盖从计算机视觉基础到卷积神经网络、视觉Transformer、多模态模型、生成模型等多种前沿技术。每位作者自由选择风格创作，并经过社区审核和修订。课程展示了开源社区的合作成就，欢迎新的贡献和改进建议。

graph-cut-ransac

Graph-Cut RANSAC是一种用于同源矩阵、基础矩阵和6D姿态估计的鲁棒性算法。它已包括在OpenCV中，并支持通过pip安装Python封装，或通过CMake编译C++源码。该算法的应用示例可通过Jupyter Notebook进行演示，主要依赖Eigen、CMake和OpenCV库，适用于现代编译器。

Awesome-Parameter-Efficient-Transfer-Learning

本项目收录了关于计算机视觉和多模态领域的高效参数迁移学习的优秀论文。参数高效迁移学习通过修改尽可能少的参数，使得大规模预训练模型能够更好地适应各种下游任务，降低全微调带来的过拟合风险和高成本。内容包括Prompt、Adapter和Unified等方法的研究论文，是学术研究与应用开发的理想参考资源。

annotated_research_papers

提供逐行注释的研究论文资源，帮助读者轻松理解复杂论文内容。适合机器学习研究人员和工程师使用，涵盖计算机视觉、自然语言处理与深度学习等领域，同时附有代码链接，方便获取详细注释和专业解读。

Awesome-FL

该页面汇总了联邦学习领域的重要资源，包括顶级期刊与会议中的论文、框架、数据集、调研、教程和课程。同时涵盖了联邦学习在图数据和表格数据上的应用，以及在人工智能、机器学习、数据挖掘等多个领域的研究成果。通过该页面，用户可以追踪最新的联邦学习论文更新，并有机会参与讨论和贡献资源。

U-xer

U-xer运用计算机视觉技术，为测试自动化和RPA提供全面解决方案。这款工具可自动化屏幕上的所有内容，覆盖Web和桌面应用。其简洁界面适合各层次用户，支持从简单到复杂的自动化任务。U-xer跨平台兼容，无需专业知识即可使用，为自动化需求提供灵活高效的选择。

ezML

ezML提供专业的计算机视觉视频分析解决方案，通过预构建模型和分析工具实现视觉任务自动化和时序洞察提取。产品覆盖体育、制造、物流、电商等行业，包括运动分析引擎、咨询服务和API接口，便于企业集成和部署先进的计算机视觉应用。