Voici un tableau de référence des différents espaces de nom de Accord.NET Framework :
| Nom | Description |
|---|---|
| Accord | Cet espace de noms contient les classes principales et les types généraux utilisés dans le cadre d'application Accord.NET. C'est l'espace de noms racine pour les fonctionnalités principales de la bibliothèque. |
| Accord.Audio | Cet espace de nom contient les classes pour le traitement audio, y compris les filtres, les générateurs et les fonctions de fenêtre pour les signaux audio. |
| Accord.Audio.ComplexFilters | Cet espace de noms contient des filtres pour le traitement des signaux dans le domaine fréquentiel. Ces filtres sont utilisés pour effectuer des opérations comme le filtrage de fréquences spécifiques. |
| Accord.Audio.Filters | Cet espace de noms contient des filtres pour le traitement des signaux dans le domaine temporel. Ces filtres sont utilisés pour effectuer des opérations telles que le lissage, le filtrage passe-bas, et le filtrage passe-haut. |
| Accord.Audio.Formats | Cet espace de noms contient des classes pour la gestion des formats audio, tels que les lecteurs et les écriveurs pour différents formats de fichiers audio. |
| Accord.Audio.Generators | Cet espace de noms contient des générateurs de signaux spécialisés. Ces générateurs permettent de créer des signaux comme des sinusoïdes, des impulsions et d'autres types de signaux utilisés en traitement audio. |
| Accord.Audio.Windows | Cet espace de noms contient des fonctions de fenêtre audio, étant utilisées pour diviser les signaux en segments temporels avant d'appliquer des transformations comme la transformée de Fourier. |
| Accord.Audition | Cet espace de noms contient des classes pour les algorithmes et les méthodes liés à l'audition, tels que la détection de rythme et d'autres analyses audio avancées. |
| Accord.Audition.Beat | Cet espace de noms contient des algorithmes pour la détection de battements et d'autres méthodes liées à l'analyse du rythme dans les signaux audio. |
| Accord.Collections | Cet espace de noms contient des structures de données comme des listes, des dictionnaires et des arbres, ainsi que d'autres structures utiles pour l'entreposage et la gestion des données. |
| Accord.Controls | Cet espace de noms contient des contrôles pour les interfaces utilisateur, bien que cet espace de noms soit généralement moins utilisé dans Accord.NET par rapport aux autres espaces de noms plus spécialisés. |
| Accord.Controls.Vision | Cet espace de noms contient des contrôles spécifiques pour la vision par ordinateur, tels que des outils pour la manipulation et la visualisation d'images. |
| Accord.DataSets | Cet espace de noms contient des ensembles de données utilisés pour le traitement et l'analyse des données. |
| Accord.DataSets.Base | Cet espace de noms contient des classes de base pour les ensembles de données, fournissant des fonctionnalités fondamentales pour la manipulation des données. |
| Accord.Diagnostics | Cet espace de noms contient des outils pour le diagnostic et le débogage, tels que des classes pour la gestion des erreurs et l'analyse des performances. |
| Accord.DirectSound | Cet espace de noms contient des classes pour la gestion des périphériques audio via DirectSound, ce qui permet de lire et d'enregistrer des sons en utilisant cette API spécifique. |
| Accord.Fuzzy | Cet espace de noms contient des outils pour les systèmes de logique floue, y compris des classes pour la création et la gestion des ensembles flous et des règles floues. |
| Accord.Genetic | Cet espace de noms contient des classes pour les algorithmes génétiques, y compris les mécanismes de sélection, croisement et mutation utilisés dans les algorithmes d'optimisation inspirés de l'évolution. |
| Accord.Imaging | Cet espace de noms contient des classes pour le traitement d'images, y compris des filtres et des transformations pour le traitement et l'analyse des images. |
| Accord.Imaging.ColorReduction | Cet espace de noms contient des outils pour la réduction du nombre de couleurs dans une image, ce qui est utile pour la compression d'images et la réduction de la complexité visuelle. |
| Accord.Imaging.ComplexFilters | Cet espace de noms contient des filtres pour le traitement d'images dans le domaine fréquentiel, similaires aux filtres complexes pour les signaux audio. |
| Accord.Imaging.Converters | Cet espace de noms contient des classes et méthodes pour convertir entre différentes représentations d'images, telles que la conversion entre des images communes, des matrices numériques et des tableaux. |
| Accord.Imaging.Filters | Cet espace de noms contient des filtres pour le traitement d'images, y compris des transformations comme la transformation en ondelettes, la rectification stéréo, le mélange d'images et les marqueurs de points. |
| Accord.Imaging.Formats | Cet espace de noms contient des classes pour la gestion des formats d'images, permettant la lecture, l'écriture et la conversion entre divers formats d'images. |
| Accord.Imaging.Moments | Cet espace de noms contient des calculateurs de moments d'images, tels que les moments centraux et bruts, utilisés pour des tâches telles que l'analyse de formes et la reconnaissance d'objets. |
| Accord.Imaging.Textures | Cet espace de noms contient des outils pour la gestion des textures dans les images, tels que les méthodes d'extraction et d'analyse de textures. |
| Accord.IO | Cet espace de noms contient des classes pour la gestion des entrées/sorties, comme la lecture et l'écriture de données dans divers formats, potentiellement pour les fichiers ou les flux de données. |
| Accord.MachineLearning | Cet espace de noms contient des classes et des outils pour les algorithmes d'apprentissage automatique, y compris les méthodes de classification, de régression et d'unités d'allocation. |
| Accord.MachineLearning.Bayes | Cet espace de noms contient des modèles de Naive Bayes pour la reconnaissance de motifs et l'apprentissage conceptuel. Supporte une grande diversité de distributions probabilistes, tant discrètes que continues. |
| Accord.MachineLearning.Boosting | Cet espace de noms contient des techniques liées au Boosting pour la création d'ensembles de classificateurs et d'autres modèles de composition. |
| Accord.MachineLearning.Boosting.Learners | Cet espace de noms contient des techniques liées au Boosting pour la création d'ensembles de classificateurs, y compris des algorithmes d'apprentissage pour le Boosting. |
| Accord.MachineLearning.Clustering | Cet espace de noms contient des algorithmes pour l'unité d'allocation, permettant de regrouper des ensembles de données en unité d'allocation basés sur leurs caractéristiques. |
| Accord.MachineLearning.DecisionTrees | Cet espace de noms contient des arbres de décision pour les données discrètes et continues, avec support pour la génération automatique de code, la taille des arbres et la création de règles de décision. |
| Accord.MachineLearning.DecisionTrees.Learning | Cet espace de noms contient des algorithmes d'apprentissage pour induire des arbres de décision. |
| Accord.MachineLearning.DecisionTrees.Pruning | Cet espace de noms contient des classes pour l'élagage des arbres de décision, en supprimant les noeuds inutiles pour améliorer la généralisation. |
| Accord.MachineLearning.DecisionTrees.Rules | Cet espace de noms contient des outils pour la gestion des règles dérivées des arbres de décision. |
| Accord.MachineLearning.Geometry | Cet espace de noms contient des méthodes pour l'estimation robuste des entités géométriques, comme les formes et les structures dans les données. |
| Accord.MachineLearning.Performance | Cet espace de noms contient des outils pour évaluer les performances des modèles d'apprentissage automatique, y compris des métriques et des évaluations de précision. |
| Accord.MachineLearning.Rules | Cet espace de noms contient des classes pour les règles d'apprentissage automatique, pouvant être utilisées pour la classification et la régression basées sur des règles. |
| Accord.MachineLearning.Text.Stemmers | Cet espace de noms contient des algorithmes de racinisation pour le traitement du texte, utilisés pour normaliser les mots dans les tâches de traitement du langage naturel. |
| Accord.MachineLearning.VectorMachines | Cet espace de noms contient des classes liées aux machines à vecteurs de support (SVM). Propose des machines linéaires, des machines à noyau, des machines multiclasses, des SVM-DAG (graphes acycliques dirigés), et la classification multi-étiquettes. Il prend également en charge la calibration probabiliste des sorties des SVM. |
| Accord.MachineLearning.VectorMachines.Learning | Cet espace de noms contient des algorithmes d'apprentissage pour l'entraînement des machines à vecteurs de support (SVM), permettant de créer et d'ajuster des modèles SVM à partir de données d'entraînement. |
| Accord.Math | Cet espace de noms contient des classes et des méthodes mathématiques génériques pour des opérations comme les calculs matriciels, les statistiques, la géométrie et les transformations numériques. |
| Accord.Math.Comparers | Cet espace de noms permet de fournir des méthodes de comparaison pouvant être utilisées dans des algorithmes de tri, comme Sort(Array), permettant de trier des tableaux en fonction de règles spécifiques. |
| Accord.Math.Convergence | Cet espace de noms contient des méthodes pour vérifier la convergence d'algorithmes numériques, souvent utilisées dans l'optimisation et les méthodes itératives. |
| Accord.Math.Converters | Cet espace de noms contient des classes pour convertir entre différents types mathématiques, facilitant l'interopérabilité entre différentes représentations de données numériques. |
| Accord.Math.Decompositions | Cet espace de noms contient des méthodes de décomposition numérique comme QR, SVD, LU, Cholesky et NMF, utilisées pour résoudre des systèmes d'équations linéaires et pour l'analyse matricielle. Ces décompositions sont spécialisées pour plusieurs types de données .NET (float, double, decimal). |
| Accord.Math.Differentiation | Cet espace de noms permet de fournir des méthodes pour la différenciation automatique de formules mathématiques, telles que la méthode des différences finies, utilisée dans les calculs dérivés. |
| Accord.Math.Distances | Cet espace de noms contient des mesures de distance utilisées dans l'analyse des données, comme les distances Euclidienne, Manhattan, et Cosine, souvent utilisées pour des tâches d'unité d'allocation ou de classification. |
| Accord.Math.Environments | Cet espace de noms contient des environnements algorithmiques qui permettent de rendre le code similaire à celui d'environnements bien connus comme R ou Octave, facilitant ainsi le calcul scientifique. |
| Accord.Math.Geometry | Cet espace de noms permet de fournir des classes pour la géométrie, permettant d'identifier les enveloppes convexes, de détecter les courbures, et d'extraire les défauts de convexité. Utilisé en conjonction avec les espaces de noms Imaging et Vision, il peut créer des composantes de détection de doigts. |
| Accord.Math.Integration | Cet espace de noms contient des méthodes numériques pour l'approximation d'intégrales, utilisées pour des calculs d'aire sous des courbes dans divers contextes. |
| Accord.Math.Kinematics | Cet espace de noms permet de fournir des classes pour modéliser des chaînes cinématiques complexes, souvent utilisées dans les applications robotiques pour la simulation des mouvements et des mécanismes. |
| Accord.Math.Metrics | Cet espace de noms permet de fournir des classes pour mesurer différentes métriques mathématiques, pouvant être utilisées pour évaluer des modèles statistiques ou géométriques. |
| Accord.Math.Optimization | Cet espace de noms contient des classes pour l'optimisation contrainte et non contrainte, y compris des méthodes comme le gradient conjugué (CG), les méthodes BFGS (Born-Fletcher-Goldfarb-Shanno) pour les problèmes d'optimisation, ainsi que des méthodes d'optimisation sans gradient comme Cobyla, et le solveur de programmation quadratique de Goldfarb-Idnani. |
| Accord.Math.Optimization.Losses | Cet espace de noms contient des fonctions de perte pour l'optimisation, permettant de calculer l'erreur d'un modèle d'apprentissage ou d'un processus d'optimisation. |
| Accord.Math.Random | Cet espace de noms permet de fournir des classes pour la génération de nombres aléatoires, incluant des générateurs pour diverses distributions probabilistes. |
| Accord.Math.Transforms | Cet espace de noms contient des transformations mathématiques telles que la transformée de Fourier et d'autres algorithmes de transformation courants utilisés dans le traitement du signal et des images. |
| Accord.Math.Wavelets | Cet espace de noms contient des transformées en ondelettes comme la transformée de Cohen-Daubechies-Feauveau et la transformée en ondelettes de Haar, utilisées pour l'analyse des signaux et des images. |
| Accord.Neuro | Cet espace de noms permet de fournir des classes pour créer et entraîner des réseaux de neurones artificiels, y compris les perceptrons multicouches et d'autres architectures de réseaux de neurones utilisés pour l'apprentissage supervisé. |
| Accord.Neuro.ActivationFunctions | Cet espace de noms contient différentes fonctions d'activation pour les neurones artificiels, telles que les fonctions sigmoïde, tangente hyperbolique, et rectifiée linéaire (ReLU). Ces fonctions définissent comment un neurone transforme ses entrées pour produire une sortie. |
| Accord.Neuro.Layers | Cet espace de noms contient diverses architectures de couches pour les réseaux de neurones artificiels, telles que les couches entièrement connectées (dense) ou convolutives, utilisées dans la construction de réseaux multicouches. |
| Accord.Neuro.Learning | Cet espace de noms contient des algorithmes d'apprentissage pour les réseaux de neurones, tels que l'algorithme Levenberg-Marquardt (LM) avec régularisation bayésienne, et l'algorithme de rétropropagation résiliente (RProp). Ces algorithmes permettent d'ajuster les poids des réseaux de neurones pendant la phase d'entraînement. |
| Accord.Neuro.Networks | Cet espace de noms contient différentes architectures de réseaux de neurones, y compris des architectures spécialisées pour l'apprentissage profond et les machines de Boltzmann. Ces architectures peuvent être utilisées pour des tâches complexes telles que la classification et la régression. |
| Accord.Neuro.Neurons | Cet espace de noms contient différents types de neurones artificiels, pouvant être utilisés dans des réseaux de neurones multicouches. Chaque type de neurone peut avoir des propriétés uniques et des fonctions d'activation spécifiques. |
| Accord.Neuro.Visualization | cet espace de noms contient des méthodes pour visualiser les informations extraites des réseaux de neurones, telles que la visualisation des poids, des activations des neurones, et des connexions entre les couches, facilitant ainsi l'analyse et l'interprétation des modèles. |
| Accord.Statistics | Cet espace de noms contient des classes et méthodes pour effectuer des opérations statistiques générales, telles que les statistiques descriptives, les tests d'hypothèse, et les distributions probabilistes. |
| Accord.Statistics.Analysis | Cet espace de noms contient divers outils pour l'analyse statistique, notamment l'analyse en composantes principales (PCA), l'analyse discriminante linéaire (LDA), l'analyse en composantes indépendantes (ICA), la régression logistique et la régression logistique pas à pas. Il inclut également des outils d'évaluation des performances comme les tableaux de contingence et les courbes ROC. |
| Accord.Statistics.Analysis.Base | Cette espace de noms contient des classes de base et des structures communes pour la mise en oeuvre des différentes analyses statistiques disponibles dans l'espace de noms Accord.Statistics.Analysis. |
| Accord.Statistics.Analysis.ContrastFunctions | Cet espace de noms contient des fonctions de contraste utilisées dans l'analyse en composantes indépendantes (ICA) pour extraire des signaux indépendants à partir de données mélangées. |
| Accord.Statistics.Distances | Cet espace de noms contient des mesures de distances statistiques, comme la distance Euclidienne, la distance de Mahalanobis, et d'autres métriques utilisées pour calculer la similarité ou la dissimilarité entre des points de données dans des algorithmes d'unité d'allocation ou de classification. |
| Accord.Statistics.Distributions | Cet espace de noms contient plus de 40 distributions statistiques différentes, avec support pour la plupart des mesures de distribution de probabilité et des méthodes d'estimation. Cela inclut des distributions comme la distribution normale, exponentielle, binomiale, et plus encore. |
| Accord.Statistics.Distributions.DensityKernels | Cet espace de noms contient des noyaux d'estimation de densité pouvant être utilisés avec des distributions empiriques et multivariées empiriques. Ces noyaux permettent de modéliser la densité de probabilité d'un ensemble de données sans présumer de sa forme. |
| Accord.Statistics.Distributions.Fitting | Cet espace de noms contient des options spéciales pour ajuster (estimation) des distributions à un ensemble de données. Ces méthodes permettent de choisir la distribution représentant le mieux les données et d'en estimer les paramètres. |
| Accord.Statistics.Distributions.Multivariate | Cet espace de noms contient des distributions multivariées telles que la distribution normale multivariée, la distribution multinomiale, les distributions indépendantes, les distributions jointes et les distributions mixtes. Les distributions multivariées modélisent des ensembles de variables simultanément. |
| Accord.Statistics.Distributions.Reflection | Cet espace de noms permet de refléter dynamiquement les propriétés des distributions statistiques (par exemple, pour découvrir leurs propriétés ou méthodes à l'exécution). |
| Accord.Statistics.Distributions.Sampling | Cet espace de noms contient des classes et des méthodes pour effectuer des échantillonnages sur des distributions statistiques. Ces méthodes génèrent des échantillons aléatoires de différentes distributions, utiles pour la simulation ou l'analyse. |
| Accord.Statistics.Distributions.Univariate | Cet espace de noms contient des distributions univariées telles que la distribution normale, de Cauchy, hypergéométrique, de Poisson, de Bernoulli, ainsi que des distributions spécialisées comme celles de Kolmogorov-Smirnov, Nakagami, Weibull et Von-Mises. Les distributions univariées modélisent des variables individuelles. |
| Accord.Statistics.Filters | Cet espace de noms contient des filtres de traitement des données, tels que la normalisation, la discrétisation, l'égalisation, la sélection et la projection. Ces filtres sont utilisés pour préparer les données avant l'application d'algorithmes d'apprentissage ou d'analyse statistique. |
| Accord.Statistics.Kernels | Cet espace de noms contient plus de 30 fonctions de noyau utilisées pour les méthodes à noyau dans l'apprentissage automatique et les applications statistiques. Les fonctions de noyau permettent de transformer des données dans un espace de caractéristiques à haute dimension pour rendre les problèmes non-linéaires linéaires (comme dans les SVM - Support Vector Machines). |
| Accord.Statistics.Kernels.Sparse | Cet espace de noms contient des fonctions de noyau capables de traiter des données éparses, au format utilisé par LibSVM. Ces noyaux sont spécialement conçus pour des jeux de données où la plupart des valeurs sont nulles ou absentes. |
| Accord.Statistics.Links | Cet espace de noms contient des fonctions de lien pour les modèles linéaires généralisés, telles que les fonctions Logit, Probit, et Cauchit. Ces fonctions sont utilisées pour relier une variable prédictive à la probabilité d'un résultat binaire ou ordinal, typiquement dans les régressions logistiques. |
| Accord.Statistics.Models | Cet espace de noms contient des modèles statistiques avec des applications directes dans l'apprentissage automatique, tels que les modèles de Markov cachés (HMM), les champs aléatoires conditionnels (CRF), les champs aléatoires conditionnels cachés (HCRF), et les régressions linéaires et logistiques. |
| Accord.Statistics.Models.Fields | Cet espace de noms contient des classes liées aux champs aléatoires conditionnels (CRF) et aux champs aléatoires conditionnels cachés (HCRF), ainsi que leurs algorithmes d'apprentissage. Ces modèles sont utilisés pour l'étiquetage séquentiel et d'autres tâches d'apprentissage supervisé impliquant des dépendances entre données séquentielles. |
| Accord.Statistics.Models.Fields.Features | Cet espace de noms contient des fonctions de caractéristiques pour les CRF, telles que les caractéristiques d'émission, de transition, de premier et second moments. Ces fonctions permettent de définir les interactions entre les variables dans les modèles CRF. |
| Accord.Statistics.Models.Fields.Functions | Cet espace de noms contient des fonctions potentielles pour les CRF et les HCRF, modélisant les probabilités conditionnelles entre les variables observées et latentes dans ces modèles. |
| Accord.Statistics.Models.Fields.Functions.Specialized | Cet espace de noms contient des fonctions potentielles spécialisées pour les CRF et les HCRF, probablement conçues pour des types spécifiques de données ou d'applications nécessitant des traitements particuliers. |
| Accord.Statistics.Models.Fields.Learning | Cet espace de noms contient des algorithmes d'apprentissage pour les Champs Aléatoires Conditionnels (CRF) et les Champs Aléatoires Conditionnels Cachés (HCRF), tels que le Gradient Conjugué, L-BFGS (Limited-memory Broyden-Fletcher-Goldfarb-Shanno) et l'apprentissage basé sur RProp (Resilient Backpropagation). |
| Accord.Statistics.Models.Markov | Cet espace de noms contient des classes relatives aux Modèles de Markov Cachés (HMM) et à leurs algorithmes d'apprentissage. Supporte à la fois les modèles à densité discrète et continue, ainsi que les classificateurs de Markov et les modèles à seuil pour le rejet de séquence. |
| Accord.Statistics.Models.Markov.Hybrid | Cet espace de noms contient les les modèles de Markov hybrides, pouvant combiner des approches discrètes et continues pour une meilleure modélisation de séquences complexes. |
| Accord.Statistics.Models.Markov.Learning | Cet espace de noms contient des algorithmes d'apprentissage pour les HMM, tels que l'algorithme de Baum-Welch, étant utilisé pour ajuster les paramètres d'un modèle de Markov Caché en fonction de données d'observation. |
| Accord.Statistics.Models.Markov.Topology | Cet espace de noms contient des topologies pour les HMM, telles que les topologies "Forward-only" (se déplaçant uniquement vers l'avant) et "Ergodic" (où toutes les transitions entre états sont possibles). |
| Accord.Statistics.Models.Regression | Cet espace de noms contient des modèles de régression statistique, tels que la régression logistique et linéaire. Ces modèles sont utilisés pour prédire une variable dépendante en fonction d'une ou plusieurs variables indépendantes. |
| Accord.Statistics.Models.Regression.Fitting | Cet espace de noms contient des algorithmes d'ajustement (ou d'apprentissage) pour les modèles de régression, tels que l'algorithme des moindres carrés pondérés itératifs (IRLS) pour les régressions logistiques classiques et l'approximation de la borne inférieure pour les régressions logistiques multinomiales. |
| Accord.Statistics.Models.Regression.Linear | Cet espace de noms contient des modèles de régression linéaire statistique, y compris les régressions linéaires simples, polynomiales, multiples et multivariées. |
| Accord.Statistics.Moving | Cet espace de noms contient des classes pour estimer des statistiques mobiles, c'est-à-dire des statistiques calculées dans une fenêtre de temps. Utilisé pour le traitement de séries temporelles et le suivi des tendances sur des périodes de temps fixes. |
| Accord.Statistics.Running | Cet espace de noms contient des classes pour estimer des statistiques en temps réel, c'est-à-dire des statistiques mises à jour au fur et à mesure que de nouvelles données deviennent disponibles, sans recalculer entièrement les résultats. |
| Accord.Statistics.Testing | Cet espace de noms contient plus de 34 tests d'hypothèses statistiques, y compris des tests ANOVA à un et deux facteurs, des tests non paramétriques tels que le test de Kolmogorov-Smirnov et le test du signe pour la médiane, des tests sur des tables de contingence tels que le test Kappa, ainsi que des tests plus traditionnels comme les tests du Chi-carré, Z, F, T et Wald. |
| Accord.Statistics.Testing.Power | Cet espace de noms contient des méthodes pour l'analyse de puissance de plusieurs tests d'hypothèses connexes, avec un support pour l'estimation automatique de la taille de l'échantillon. L'analyse de puissance permet de déterminer si un test statistique a une probabilité suffisante de rejeter l'hypothèse nulle lorsque celle-ci est fausse. |
| Accord.Statistics.Visualizations | Cet espace de noms contient des classes pour la visualisation statistique, telles que des histogrammes et des nuages de points (scatterplots). Ces outils aident à représenter visuellement les données statistiques et les résultats d'analyse. |
| Accord.Video | Cet espace de noms contient des classes et méthodes pour le traitement vidéo en général. Cet espace de noms fournit des outils pour capturer, traiter et analyser des flux vidéo en temps réel ou à partir de fichiers. |
| Accord.Video.DirectShow | Cet espace de noms contient des classes pour intégrer DirectShow dans des applications vidéo, permettant la capture et la lecture de vidéos en utilisant cette API. |
| Accord.Video.FFMPEG | Cet espace de noms contient des classes pour l'intégration avec FFMPEG, une bibliothèque largement utilisée pour lire et écrire des fichiers vidéo et audio dans de nombreux formats différents. |
| Accord.Video.Kinect | Cet espace de noms contient des classes pour interagir avec les dispositifs Kinect, permettant d'acquérir et de traiter des données vidéo et de profondeur à partir des capteurs Kinect. |
| Accord.Video.VFW | Cet espace de noms contient des classes pour interagir avec Video for Windows (VFW), une API utilisée pour capturer et traiter des vidéos sous Windows. |
| Accord.Video.Ximea | Cet espace de noms contient des classes pour interagir avec les caméras industrielles Ximea, permettant l'acquisition de données d'images haute performance. |
| Accord.Vision | Cet espace de noms contient des outils pour le traitement de l'image et la vision par ordinateur, souvent utilisés pour détecter et suivre des objets dans des séquences vidéo ou des images fixes. |
| Accord.Vision.Detection | Cet espace de noms contient des détecteurs d'objets tels que la méthode de Viola-Jones basée sur les caractéristiques de Haar. Ce détecteur est compatible avec les définitions de cascades Haar générées par OpenCV et propose un support pour les modèles prédéfinis de détection de visage et de nez. |
| Accord.Vision.Detection.Cascades | Cet espace de noms contient des définitions de cascades Haar intégrées pour être utilisées avec le détecteur d'objets basé sur les caractéristiques de Haar. Ces définitions peuvent être appelées directement dans le code sans avoir besoin de charger des fichiers XML. |
| Accord.Vision.Motion | Cet espace de noms contient des classes pour la détection de mouvement dans des vidéos. Cela peut inclure la détection de changement entre les images pour identifier les objets en mouvement dans une scène. |
| Accord.Vision.Tracking | Cet espace de noms contient des classes pour le suivi d'objets dans des vidéos. Comprend des algorithmes tels que Camshift, des suiveurs basés sur la segmentation des couleurs et des suiveurs utilisant la correspondance dynamique de modèles. |
Dernière mise à jour : Mercredi, le 11 septembre 2024