文章《Keras入门课6--运用InceptionV3模型进行迁移学习》https://blog.csdn.net/tsyccnh/article/details/78889838运用的数据集
2020/9/3 1:40:55
57.72MB
1
本资源主要分为三个部分：车牌定位字符分割字符识别，每个部分都可单独运行。
车牌定位采用数学形状学和颜色特征相结合的方法。
首先对图片进行开闭运算、轮廓检测等数学形状学操作突出车牌区域，然后依据车牌的形状特征去除部分干扰区域，并利用仿射变换对可疑车牌区域进行倾斜矫正，最后根据车牌颜色特征选取最终区域，同时确定车牌的颜色。
字符分割基于投影法，利用二值化图像像素的分布直方图进行分析。
其中水平投影确定字符区域并去除上下边框，垂直投影找出相邻字符的分界点，并通过适当算法组合分离的汉字和去除车牌上的分隔点、边缘等干扰；
字符识别基于keras框架，首先搭建卷积神经网络对训练集进行训练，准确率达到97.87%，然后利用训练好的模型对分割下的字符逐一进行识别，最终组成车牌号码，实现车牌识别的目标。
车牌定位采用数学形状学和颜色特征相结合的方法。
首先对图片进行开闭运算、轮廓检测等数学形状学操作突出车牌区域，然后依据车牌的形状特征去除部分干扰区域，并利用仿射变换对可疑车牌区域进行倾斜矫正，最后根据车牌颜色特征选取最终区域，同时确定车牌的颜色。
字符分割基于投影法，利用二值化图像像素的分布直方图进行分析。
其中水平投影确定字符区域并去除上下边框，垂直投影找出相邻字符的分界点，并通过适当算法组合分离的汉字和去除车牌上的分隔点、边缘等干扰；
字符识别基于keras框架，首先搭建卷积神经网络对训练集进行训练，准确率达到97.87%，然后利用训练好的模型对分割下的字符逐一进行识别，最终组成车牌号码，实现车牌识别的目标。
2016/3/27 9:11:01
47.82MB
1
https://github.com/fchollet/deep-learning-models/releases/tag/v0.1这网址下的keras的一切的预训练模型，包含vgg16,vgg19,resnt50,官方下载实在是太慢了。
我这里提供了百度云链接，注册一天的百度云会员下载会很快的。
我这里提供了百度云链接，注册一天的百度云会员下载会很快的。
2021/6/15 4:32:38
76B
1
人工智能基础视频教程零基础入门课程第十二章人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。
第一章人工智能开发及远景引见（预科）第二章线性回归深入和代码实现第三章梯度下降和过拟合和归一化第四章逻辑回归详解和应用第五章分类器项目案例和神经网络算法第六章多分类、决策树分类、随机森林分类第七章分类评估、聚类第八章密度聚类、谱聚类第九章深度学习、TensorFlow安装和实现第十章TensorFlow深入、TensorBoard十一章DNN深度神经网络手写图片识别十二章TensorBoard可视化十三章卷积神经网络、CNN识别图片十四章卷积神经网络深入、AlexNet模型十五章Keras深度学习框架
第一章人工智能开发及远景引见（预科）第二章线性回归深入和代码实现第三章梯度下降和过拟合和归一化第四章逻辑回归详解和应用第五章分类器项目案例和神经网络算法第六章多分类、决策树分类、随机森林分类第七章分类评估、聚类第八章密度聚类、谱聚类第九章深度学习、TensorFlow安装和实现第十章TensorFlow深入、TensorBoard十一章DNN深度神经网络手写图片识别十二章TensorBoard可视化十三章卷积神经网络、CNN识别图片十四章卷积神经网络深入、AlexNet模型十五章Keras深度学习框架
2022/9/9 0:14:27
351.03MB
1
SSD使用VGG-16-Atrous作为基础网络，其中黄色部分为在VGG-16基础网络上填加的特征提取层。
SSD与yolo不同之处是除了在最终特征图上做目标检测之外，还在之前选取的5个特特征图上进行预测。
SSD图1为SSD网络进行一次预测的示意图，可以看出，检测过程不只在填加特征图(conv8_2,conv9_2,conv_10_2,pool_11)上进行，为了保证网络对小目标有很好检测效果，检测过程也在基础网络特征图(conv4_3,conv_7)上进行。
SSD与yolo不同之处是除了在最终特征图上做目标检测之外，还在之前选取的5个特特征图上进行预测。
SSD图1为SSD网络进行一次预测的示意图，可以看出，检测过程不只在填加特征图(conv8_2,conv9_2,conv_10_2,pool_11)上进行，为了保证网络对小目标有很好检测效果，检测过程也在基础网络特征图(conv4_3,conv_7)上进行。
2022/9/5 3:48:43
2.82MB
1
几个月前自己上手YOLOV3-keras，自己训练了一个数据集。
在测试的时候，发现源码作者的测试不好用。
自己稍稍修改了一下。
几点改进（1）批量测试图片将待测试的图片放入'./test'路径下。
测试的时候，第一张图片需要的时间大约是2s左右，因为需要加载模型，所需时间就相对较长一些。
在博主的机器上，测试逐个张图片的时间大约是0.1s左右；
（2）保存测试结果完成测试后，将测试的结果保存在result文件夹中。
方便以后查看（3）将测试结果输出为一个result.txt文件。
result.txt内容包含了每一个bbox的信息。
在测试的时候，发现源码作者的测试不好用。
自己稍稍修改了一下。
几点改进（1）批量测试图片将待测试的图片放入'./test'路径下。
测试的时候，第一张图片需要的时间大约是2s左右，因为需要加载模型，所需时间就相对较长一些。
在博主的机器上，测试逐个张图片的时间大约是0.1s左右；
（2）保存测试结果完成测试后，将测试的结果保存在result文件夹中。
方便以后查看（3）将测试结果输出为一个result.txt文件。
result.txt内容包含了每一个bbox的信息。
2016/2/2 7:35:51
3KB
1
要解决的是一个医学图像的二分类问题，有AK和SK两种病症，根据一定量数据，进行训练，对图像进行预测。
给定图片数据的格式：解决思路整体上采用迁移学习来训练神经网络，使用InceptionV3结构，框架采用keras.具体思路：读取图片数据，保存成.npy格式，方便后续加载标签采用one-hot方式，由于标签隐藏在文件夹命名中，所以需要自行添加标签，并保存到.npy文件中，方便后续加载将数据分为训练集、验证集、测试集使用keras建立InceptionV3基本模型，不包括顶层，使用预训练权重，在基本模型的基础上自定义几层神经网络，得到最后的模型，对模型进行训练优化模型，调整超参数，提高准确率在测试集上对模型进行评估，使用精确率、召回率对单张图片进行预测，并输出每种类别的概率如何加载实际数据，如何保存成npy文件，如何打乱数据，如何划分数据，如何进行交叉验证如何使用keras进行迁移学习keras中数据增强、回调函数的使用，回调函数涉及：学习速率调整、保存最好模型、tensorboard可视化如何使用sklearn计算准确率，精确率，召回率，F1_
给定图片数据的格式：解决思路整体上采用迁移学习来训练神经网络，使用InceptionV3结构，框架采用keras.具体思路：读取图片数据，保存成.npy格式，方便后续加载标签采用one-hot方式，由于标签隐藏在文件夹命名中，所以需要自行添加标签，并保存到.npy文件中，方便后续加载将数据分为训练集、验证集、测试集使用keras建立InceptionV3基本模型，不包括顶层，使用预训练权重，在基本模型的基础上自定义几层神经网络，得到最后的模型，对模型进行训练优化模型，调整超参数，提高准确率在测试集上对模型进行评估，使用精确率、召回率对单张图片进行预测，并输出每种类别的概率如何加载实际数据，如何保存成npy文件，如何打乱数据，如何划分数据，如何进行交叉验证如何使用keras进行迁移学习keras中数据增强、回调函数的使用，回调函数涉及：学习速率调整、保存最好模型、tensorboard可视化如何使用sklearn计算准确率，精确率，召回率，F1_
2019/2/11 6:55:35
1003KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB