По Road Detection организаторы обещали выложить исходники в открытый доступ в ближайшие несколько недель, а я им в этом пытаюсь помочь, рефакторя код. Как будет ссылка — добавлю ее в статью.
[['FizzBuzz', 'Fizz', 'Buzz'][max(enumerate([not num % 15, not num % 3, not num % 5]), key=lambda x:x[1])[0]] if sum([not num % 15, not num % 3, not num % 5]) else num for num in xrange(1, 101)]
Друзья, возможно вам будет полезна следующая идея: в OpenCV есть Retina — она чудесно работает в более-менее темноте, у нее же в свою очередь есть канал, который отслеживает движения. Разработка совершенно великолепная, я на ней писал sleeptracker. Если будут какие-нибудь вопросы или желание пообщаться — пишите в личку.
Казалось бы, вопрос звучит «Готовы ли...», а не «Хотите ли...». Если вдруг преложат что-то более интересное — почему бы нет. Хочется ехать ради работы, а не ради города/страны.
Не могли бы Вы сказать, что лежит в основе победившего алгоритма? Может это какая-то статья или фундаментальный подход, примененный к конкретной задаче.
Много про Шри-Ланку и мало про задания. Хочется чуть больше конкретики. Ответьте пожалуйста на пару вопросов.
— устойчивое слежение за несколькими объектами в кадре даже в случае их совместного пересечения или временного “пропадания” за препятствием;
какие критерии принадлежности цели к классу «объект»? насколько сильно объект может измениться в процессе слежения? (поворот, аффинное, проективное, перспективное, цвет?)
— возможность подсчета объектов, пересекающих определенную зону и учет направления пересечения;
зона указывается в начале работы программы и статична на видео? само видео статично?
Спасибо за интересный конкурс! Давно искал что-нибудь по любимой теме.
Для инвариантности к масштабированию используют одновременно несколько операторов разных масштабов. Например lbp(8,1), lbp(16,2), lbp(24,3). После чего точно так же проводят классификацию. Но чаще просто производят масштабирование текущего региона поиска (или классифицируемого изображения) к фиксированному размеру.
В этой статье я попытался не касаться вопроса классификации, потому что не до конца разобрался со всеми основными методами классификации, использующими этот оператор. А рассказывать только о поиске по гистограммам было бы не очень хорошо с точки зрения разбиения темы на логические части.
Такие картинки есть, когда буду рассматривать классификаторы — добавлю их, спасибо за замечание. Но по моему скромному мнению эти картинки не очень содержательны.
Ну пока что никак почти. В данный момент в моем модуле только распознавание лиц на видео с использованием Adaboost на слабых классификаторах этого метода (собственно то, что реализовано в OpenCV). Метод понравился, решил чуть лучше изучить вопрос и поделиться здесь. Сейчас нахожусь в процессе понимания способа построения слабых классификаторов и сильного классификатора на их базе. Об этом с примерами и результатами я обязательно расскажу позже.
Information
Rating
Does not participate
Location
Санкт-Петербург, Санкт-Петербург и область, Россия
какие критерии принадлежности цели к классу «объект»? насколько сильно объект может измениться в процессе слежения? (поворот, аффинное, проективное, перспективное, цвет?)
зона указывается в начале работы программы и статична на видео? само видео статично?
Спасибо за интересный конкурс! Давно искал что-нибудь по любимой теме.