ICCV

我们提供了ICCV 2017年论文《用于光偏振高度估计的线性微分约束》的Matlab代码实现。此代码支持多种调用方式，根据选项结构选择优化约束条件。使用该代码可以推导出天顶角θ，并生成估计的高度图。详细功能包括光源方向、蒙版处理以及非偏振强度图像的应用。

熵值法MATLAB代码 - ICCV论文实时重复计数的实施代码 介绍了由Ofir Levy和Lior Wolf（特拉维夫大学）在ICCV2015论文中提出的实时重复计数方法的MATLAB实现。此方法用于实时检测并计数各种类型的重复运动。 代码和数据 更新的代码和数据位于以下链接中。请勿在此仓库中使用该代码。 先决条件 Python 2.7（虽然尚未测试，但也可与Python 3.x兼容） 必需的Python库：cPickle，gzip，numpy，scipy，cv2 可选：如果希望重新训练CNN，使用MATLAB。 运行步骤 从网络摄像头实时计数：确保网络摄像头连接，进入$ROOT/live_count文件夹并运行： python python live_rep.py 或者，从文件流式传输视频文件： python python live_rep.py -i \"文件名\" 你可以尝试输入我们捕获的直播视频，位于$ROOT/data/cam文件夹。举例： python python live_rep.py -i \"$ROOT/data/cam/sample_video.mp4\" 注意事项 $ROOT：表示此存储库的根文件夹。 更多详细信息，请参考原论文。

Stanford的Fei Li在2005年ICCV会议上展示了一个词袋模型的示例程序，需要进行路径和其他细节的修改，以确保程序可以成功运行，尤其是codebook文件的补充。

我们的ICCV 2013研究，专注于通过显著性匹配改善人员重新识别的Matlab代码，提升VIPeR和CUHK01数据集的评估效果。安装步骤包括下载VIPeR数据集，并在指定目录设置CUHK01数据集。针对Windows系统，需修改特定脚件路径。我们的演示demo_salmatch_cuhk01.m展示了在CUHK01数据集上运行的结果，达到了30.04%的精度。

提供了ICCV 2017年会上关于PyraNet用于人体姿势估计的培训和测试Matlab代码。感谢杨伟、李爽、欧阳万里、李洪生和王小刚的贡献。安装依赖项：luarocks install hdf5、luarocks install matio、luarocks install optnet（可选）、luarocks install nccl（建议用于多GPU训练）。确保在使用多GPU训练时设置LD_LIBRARY_PATH以指向libnccl.so文件。数据集准备：创建符号链接指向MPII数据集的图像目录：ln -s PATH_TO_MPII_IMAGES_DIR data/mpii/images；创建符号链接指向LSP数据集的图像目录：ln -s PATH_TO_LSP_DIR data。

Matlab代码库重新实现了ICCV 2013年论文中的细粒度分类方法。该方法主要通过将前景划分为子区域，并从对齐的前景段中提取特征来实现。详细的代码结构和运行说明包含在代码结构说明文件夹中，用户需依次执行 step1_trainEncoder.m; step2_encoding.m; step3_libsvm_kernel.m; step4_libsvm_aggre.m; step5_libsvm_traintest.m。这些脚本需要并行处理所有图像数据集。除了基于Bag-of-Words特征的基线方法外，还包含了个人实验文件夹，如latent SVM文件夹，用户可按需忽略。

典型相关分析Matlab实现代码：ML-CCA快速多标签规范相关分析的Matlab实现。ML-CCA 是一种高效的多标签跨模态检索方法，提升不同模态数据之间的相关性度量。引文：如果您在项目中使用此代码，请引用我们的论文： @inproceedings{ranjan2015multi,title={Multi-label cross-modal retrieval},author={Ranjan, Viresh and Rasiwasia, Nikhil and Jawahar, CV},booktitle={Proceedings of the IEEE International Conference on Computer Vision},pages={4094--4102},year={2015}}

本工具利用白平衡模拟技术，优化了图像处理中的色彩增强方法。它显著改进了计算机视觉任务，如图像分类和语义分割的模型表现。该工具是基于我们的研究成果，解决了深度学习中由于颜色恒常性问题导致的性能下降。此研究于2019年在国际计算机视觉会议（ICCV）上发布。项目详情请访问：http://cvil.eecs.yorku.ca/projects/public_html/wb_emulation/index.html。使用步骤包括：1. 运行install_.m；2. 可尝试单图像处理的demo_single_image.m、批量处理的demo_batch.m、以及处理并生成图像与真实文件对的demo_WB_color_augmentation.m；3. 提供GUI界面的demo_GUI（位于GUI目录）。

通过Pytorch重新实现的Deep-SR-ITM，该模型结合超分辨率和逆色调映射，特别设计用于4K UHD HDR应用。研究团队金秀艺、吴志亨和金曼彻尔在IEEE计算机视觉国际会议上进行了口头报告。代码基于原Matlab版本转换而来，保留了原始设置，重点不在改进基线，而在于提供不同实现的选择。测试环境包括Ubuntu 16.04 LTS，Python 3.7.5，Pytorch 1.3.1，TorchVision 0.4.2，CUDA 10.1，OpenCV 3.4.2。数据准备阶段包括从.mat格式转换为'.png'格式，适用于SDR和HDR图像。如需更多细节，请参阅原始repo。

This repository provides the Matlab code for Jointly Attentive Spatial-Temporal Pooling Networks for video-based person re-identification as presented in the paper 'Jointly Attentive Spatial-Temporal Pooling Networks for Video-based Person Re-Identification' (ICCV 2017). If you use this code, please cite the following paper: @inproceedings{shuangjiejointly, title={Jointly Attentive Spatial-Temporal Pooling Networks for Video-based Person Re-Identification}, author={Shuangjie Xu, Yu Cheng, Kang Gu, Yang, Shiyu Chang and Pan Zhou}, booktitle={ICCV}, year={2017} } Dependencies: The following libraries are required: nn, nnx, optim, cunn, cutorch, image, rnn, and inn. Ensure that you have Nvidia GPU support with CUDA enabled. Data Preparation: Download and extract the dataset, then navigate to the data/ directory. The dataset is stored under data/iLIDS-VID. Modify and run the script data/computeOpticalFlow.m in Matlab to generate the optical flow features.