图像分割Keras：在Keras中完成Segnet，FCN，UNet和其他模型
2018/1/9 16:05:26
15KB
1
由yolov3_tiny.weights生成的tiny_yolo_weights.h5,合用与keras-yolov3版本
2021/3/17 15:49:02
33.89MB
1
keras完成基于语义理解的自动文摘完成；
完成中文文本清洗处理，词向量引入，深度学习完成基于语义理解的中文摘要自动生成。
完成中文文本清洗处理，词向量引入，深度学习完成基于语义理解的中文摘要自动生成。
2016/4/10 8:25:51
12KB
1
里面是曾经训练好的人脸表情识别,只需要将照片路径调对,就会进行识别.在使用之前请先将keras和TensorFlow安装好,有不会的可以评论加我qq
2019/7/1 11:54:03
13.65MB
1
该资源是我的博客《【YOLO初探】之keras-yolov3训练本人数据集》代码的第三部分的内容。
内容包括我本人数据集。
加上第二、一部分的内容，就可以之家运行，请参看博客文章
内容包括我本人数据集。
加上第二、一部分的内容，就可以之家运行，请参看博客文章
2016/1/21 10:27:50
79KB
1
下载好的Keras的npz格局的数据集(minist,boston_housing,reuters,imdb)，解压到%UserProfile%\.keras\目录下，也就是C:\Users\\.keras\参考文章：https://blog.csdn.net/hansel/article/details/89430423
2021/9/7 16:08:15
29.64MB
1
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
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