基于卷积神经网络的猫品种识别，结合Django的完整demo。
环境：Django1.8.2python3.6.3tensorflow1.3h5py2.7keras2.1.2numpy1.13.3pillow5.0.0pymysql0.8.0
环境：Django1.8.2python3.6.3tensorflow1.3h5py2.7keras2.1.2numpy1.13.3pillow5.0.0pymysql0.8.0
2016/10/8 23:11:18
30.67MB
1
面膜检测器运用卷积神经网络（CNN）的面罩检测器所用技术打开简历凯拉斯Python屏幕截图
2018/10/16 15:09:38
2.12MB
1
面膜检测器运用卷积神经网络（CNN）的面罩检测器所用技术打开简历凯拉斯Python屏幕截图
2016/7/9 9:52:23
2.12MB
1
深度卷积神经网络在各类计算机视觉使用中取得了显著的成功，语义分割也不例外。
DeepLab-v3是由谷歌开发的语义分割网络
DeepLab-v3是由谷歌开发的语义分割网络
2020/3/3 16:41:19
2.18MB
1
在这篇综述中，我们的目标是在这个快速增长的领域提供尽可能多的新想法和前景。
不仅涉及到二维卷积，还涉及到一维和多维卷积。
首先，这篇综述首先简单介绍了CNN的历史。
第二，我们提供CNN的概述。
第三，介绍了经典的和先进的CNN模型，特别是那些使他们达到最先进的结果的关键点。
第四，通过实验分析，得出一些结论，并为函数选择提供一些经验法则。
第五，介绍了一维、二维和多维卷积的应用。
最后，讨论了CNN的一些有待处理的问题和有发展前景的方向，为今后的工作提供参考。
不仅涉及到二维卷积，还涉及到一维和多维卷积。
首先，这篇综述首先简单介绍了CNN的历史。
第二，我们提供CNN的概述。
第三，介绍了经典的和先进的CNN模型，特别是那些使他们达到最先进的结果的关键点。
第四，通过实验分析，得出一些结论，并为函数选择提供一些经验法则。
第五，介绍了一维、二维和多维卷积的应用。
最后，讨论了CNN的一些有待处理的问题和有发展前景的方向，为今后的工作提供参考。
2015/5/14 13:23:51
3.7MB
1
针对海面背景舰船目标单一波段图像识别率低的问题,提出了一种基于卷积神经网络(CNN)的融合识别方法。
该方法提取可见光、中波红外和长波红外3个波段舰船目标特征进行融合识别。
模型次要分为3个步骤：通过设计的6层CNN,同时对三波段图像进行特征提取;利用基于互信息的特征选择方法对串联的三波段特征向量按照重要性进行排序,并按照图像清晰度评价指标选取固定长度的特征向量作为目标识别依据;通过额外的2个全连接层和输出层进行回归训练。
采用自建的三波段舰船图像数据库进行模型的训练和测试,共包含6类目标,5000余张图像。
实验结果表明,本文方法识别率达到84.5%,与单波段识别方法相比有明显提升。
该方法提取可见光、中波红外和长波红外3个波段舰船目标特征进行融合识别。
模型次要分为3个步骤：通过设计的6层CNN,同时对三波段图像进行特征提取;利用基于互信息的特征选择方法对串联的三波段特征向量按照重要性进行排序,并按照图像清晰度评价指标选取固定长度的特征向量作为目标识别依据;通过额外的2个全连接层和输出层进行回归训练。
采用自建的三波段舰船图像数据库进行模型的训练和测试,共包含6类目标,5000余张图像。
实验结果表明,本文方法识别率达到84.5%,与单波段识别方法相比有明显提升。
2018/2/16 16:48:36
8.49MB
1
卷积神经网络用于文字识别，在经典的模式识别中，一般是事先提取特征。
提取诸多特征后，要对这些特征进行相关性分析，找到最能代表字符的特征，去掉对分类无关和自相关的特征。
然而，这些特征的提取太过依赖人的经验和主观意识，提取到的特征的不同对分类功能影响很大，甚至提取的特征的顺序也会影响最后的分类功能。
同时，图像预处理的好坏也会影响到提取的特征
提取诸多特征后，要对这些特征进行相关性分析，找到最能代表字符的特征，去掉对分类无关和自相关的特征。
然而，这些特征的提取太过依赖人的经验和主观意识，提取到的特征的不同对分类功能影响很大，甚至提取的特征的顺序也会影响最后的分类功能。
同时，图像预处理的好坏也会影响到提取的特征
2017/4/18 14:03:27
14.21MB
1
对公共场所中人群监控准确性和实时性低的问题,提出一种基于运动显著图的人群异常行为检测方法。
该方法首先利用Lucas-Kanade法计算稀疏特征点的光流场,并对光流场进行时间和空间上的滤波处理,然后计算特征点的运动方向、速度和加速度。
为了准确描述人群行为,将人群的速度幅值、运动方向变化量和加速度幅值分别映射为图像的R、G、B三个通道,并以此合成代表人群运动特征的运动显著图。
最后,设计和训练面向人群运动显著图的卷积神经网络模型,并利用该模型检测人群中能否存在异常行为。
该方法首先利用Lucas-Kanade法计算稀疏特征点的光流场,并对光流场进行时间和空间上的滤波处理,然后计算特征点的运动方向、速度和加速度。
为了准确描述人群行为,将人群的速度幅值、运动方向变化量和加速度幅值分别映射为图像的R、G、B三个通道,并以此合成代表人群运动特征的运动显著图。
最后,设计和训练面向人群运动显著图的卷积神经网络模型,并利用该模型检测人群中能否存在异常行为。
2021/4/7 19:49:27
477KB
1
使用2D卷积神经网络+LSTM实现视频动作分类，包括两类视频训练样本，每一类共100多个。
使用pycharm即可导入运行，精确率并不高，可以自行修改优化
使用pycharm即可导入运行，精确率并不高，可以自行修改优化
2015/8/22 19:46:52
133.77MB
1
深度学习和神经网络1.1神经元工作原理1.2神经网络引见1.3深度神经网络1.4卷积神经网络1.5循环神经网络1.6生产判别式网络1.7深度学习的应用1.8图片生产1.9课后解答
2020/8/10 14:06:06
87.68MB
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