一、SIFT和SURF算子实现特征点检测概述 在OpenCV的features2d中实现了SIFT和SURF算法，可以用于图像特征点的自动检测。具体实现是采用SiftFeatureDetector/SurfFeatureDetector类的detect函数检测SIFT/SURF特征的关键点，并保存在vector容器中，最后使用drawKeypoints函数绘制出特征点。 实验所用环境是opencv

一、相机标定1.实验 实验一：自动检测棋盘图案中的角点 源码示例 #include<iostream> #include <opencv2/opencv.hpp> #include<opencv2/core/core.hpp> #include<opencv2/highgui/highgui.hpp> #include

准备交叉编译环境在开始之前，需要设置一个交叉编译环境，以便能够在主机上编译适用于目标设备的软件包。以下是设置交叉编译环境的步骤：1、下载交叉编译工具链：从海思官方网站下载适用的交叉编译工具链，并解压到合适的位置。2、配置环境变量：打开终端，编辑~/.bashrc文件，并添加以下行：export PATH=/path/to/toolchain/bin:$PATH export CROSS_COMPI

“ 海思hi3519av100的uboot默认的phy模式是rgmii的千兆网模式，在自己的开发环境中，需要rmii的百兆网模式才能进行kernel的烧录等后续系列操作。”一、编译方式一# 第一次编译必须先生存 .config 文件才行# 可根据需要修改 menuconfig 来配置选项# 执行编译命令，生成 u-boot.bin ，注意，u-boot.bin 并不是可以进行烧录的正确的 uboo

#模型转换    对于海思35xx上nnie配套的软件及工具链仅支持Caffe框架，且以Caffe-1.0版本为基础。因此若想在nnie硬件上进行推理的话，需先将模型转换为Caffe-1.0框架的模型（若模型直接由Caffe-1.0框架训练出来的话，忽略此步骤），然后由nnie配套软件工具nnie mapper将转换后的模型生成nnie硬件能够识别的.wk文件。  

引言近年来，深度学习在各个方面取得了巨大的成就，但是深度学习模型非常依赖数据，并且需要大量标签数据进行训练。除了手动标记更多的数据，还可以使用数据增强来自动为模型生成新的标记数据，并扩展现有的训练数据集。一些流行的图像数据增强是翻转、裁剪、旋转、缩放、剪切、颜色通道失真、模糊等。在本文中，我们将介绍两种在深度学习中不太流行，但对扩展数据集非常有用的数据增强方法。 旋转、剪切、缩放等增量变换都是对图