解压后有两个文件夹,一个train,一个test,两个文件夹都有十个子目录,分别是十类目标的SAR图像,图像为100*100的灰度图像
2025/11/8 7:50:03 20.67MB 数据集 MSTAR SAR图像
1
头部姿势数据库是1590个单眼面部图像的基准,其具有从-90到+90度的平移和倾斜角度的变化。
对于每个人,可以使用2个系列的93个图像(93个不同的姿势)。
每人2个系列的目的是能够训练和测试已知和未知面部的算法(参见第2和第3节)。
数据库中的人戴或不戴眼镜,并有各种肤色。
背景是自愿中立和整洁的,以便专注于面部操作。
该数据集包含了水平方向上的角度标记与垂直方向上的角度标记,是kaggle比赛常用的头部姿态估计训练数据集。
2025/11/7 10:15:36 15.95MB datasets headpose
1
基于邻域推荐算法中,基于物品的协调过滤推荐算法itemCF的visualc++的实现代码,MovieLens数据集。
2025/11/4 19:01:16 6.56MB 推荐系统 协调过滤 推荐算法 c++
1
很好的数据集,可以用来训练的数据。
适合正在学习机器学习的筒子们
2025/11/2 10:07:06 45KB 机器学习 数据集
1
coco2014数据集,包括train,test,val,百度云下载,看看吧
2025/10/30 8:36:30 116B coco2014
1
自制的mnist数据集,包括60000张训练图片,10000张测试图片,和txt标签
2025/10/29 16:26:29 96.33MB 神经网络
1
分子识别特征(MoRF)是内在无序蛋白(IDP)的关键功能区域,它们在细胞的分子相互作用网络中起重要作用,并与许多严重的人类疾病有关。
鉴定MoRF对于IDP的功能研究和药物设计都是必不可少的。
本研究采用人工智能的前沿机器学习方法,为改进MoRFs预测开发了强大的模型。
我们提出了一种名为enDCNNMoRF(基于集成深度卷积神经网络的MoRF预测器)的方法。
它结合了利用不同特征的两个独立的深度卷积神经网络(DCNN)分类器的结果。
首先,DCNNMoRF1使用位置特定评分矩阵(PSSM)和22种氨基酸相关因子来描述蛋白质序列。
第二种是DCNNMoRF2,它使用PSSM和13种氨基酸索引来描述蛋白质序列。
对于两个单一分类器,都采用了具有新颖的二维注意机制的DCNN,并添加了平均策略以进一步处理每个DCNN模型的输出概率。
最后,enDCNNMoRF通过对两个模型的最终得分进行平均来组合这两个模型。
当与应用于相同数据集的其他知名工具进行比较时,新提出的方法的准确性可与最新方法相媲美。
可以通过http://vivace.bi.a.utokyo.ac.jp:8008/fang
2025/10/29 10:38:37 1.56MB 研究论文
1
8G数据集太大,分开下载(打开我的页面可以下载所有)FruitRecognition水果数据集,15个分类,训练识别应用
2025/10/27 15:17:58 401.11MB 数据集
1
voc数据集,不同车辆分类的数据集;
voc数据集,不同车辆分类的数据集
2025/10/27 14:07:08 219.29MB voc
1
PimaIndiansDiabetes\印第安人糖尿病数据集\机器学习与人工智能必须材料
2025/10/27 3:49:43 23KB Pima Indians Diabetes
1
共 1000 条记录 首页 上一页 下一页 尾页
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 钉钉 钉钉打卡