TensorFlowVGG-16预训练模型，用于SSD-TensorFlow的Demo训练.
2024/4/15 20:21:16
489.54MB
1
该代码使用Tensorflowr1.7在Ubuntu14.04下使用Python2.7和Python3.5进行测试。
代码中包含测试用例。
模型使用固定图像标准化。
在中科院自动化所，WebFace数据集已经被用于训练。
该面部检测后，该训练集包括总共453453个图像，超过10575个身份。
如果在训练之前过滤了数据集，则可以看到一些性能改进。
有关如何完成此操作的更多信息将在稍后提供。
性能最佳的模型已经在VGGFace2数据集上进行了训练，该数据集由~3.3M面和~9000个类组成。
提供了几个预训练模型。
请注意，模型的输入图像需要使用固定图像标准化进行标准化
代码中包含测试用例。
模型使用固定图像标准化。
在中科院自动化所，WebFace数据集已经被用于训练。
该面部检测后，该训练集包括总共453453个图像，超过10575个身份。
如果在训练之前过滤了数据集，则可以看到一些性能改进。
有关如何完成此操作的更多信息将在稍后提供。
性能最佳的模型已经在VGGFace2数据集上进行了训练，该数据集由~3.3M面和~9000个类组成。
提供了几个预训练模型。
请注意，模型的输入图像需要使用固定图像标准化进行标准化
2024/3/22 22:19:22
2.1MB
1
transformers+pytorch框架下使用的bert-chinese谷歌官方预训练版本，其中有三个文件:config.json、pytorch_model.bin、vocab.txt
2024/2/20 20:17:20
367.18MB
1
该代码使用Tensorflowr1.7在Ubuntu14.04下使用Python2.7和Python3.5进行测试。
代码中包含测试用例。
模型使用固定图像标准化。
在中科院自动化所，WebFace数据集已经被用于训练。
该面部检测后，该训练集包括总共453453个图像，超过10575个身份。
如果在训练之前过滤了数据集，则可以看到一些性能改进。
有关如何完成此操作的更多信息将在稍后提供。
性能最佳的模型已经在VGGFace2数据集上进行了训练，该数据集由~3.3M面和~9000个类组成。
提供了几个预训练模型。
请注意，模型的输入图像需要使用固定图像标准化进行标准化（--use_fixed_image_standardization例如，在运行时使用该选项validate_on_lfw.py）。
代码中包含测试用例。
模型使用固定图像标准化。
在中科院自动化所，WebFace数据集已经被用于训练。
该面部检测后，该训练集包括总共453453个图像，超过10575个身份。
如果在训练之前过滤了数据集，则可以看到一些性能改进。
有关如何完成此操作的更多信息将在稍后提供。
性能最佳的模型已经在VGGFace2数据集上进行了训练，该数据集由~3.3M面和~9000个类组成。
提供了几个预训练模型。
请注意，模型的输入图像需要使用固定图像标准化进行标准化（--use_fixed_image_standardization例如，在运行时使用该选项validate_on_lfw.py）。
2024/2/3 22:02:24
2.1MB
1
MATLAB工具包DEEPLEARNINGTOOLBOX(一)DeepLearningToolbox提供了一个用于通过算法、预训练模型和应用程序来设计和实现深度神经网络的框架。
我们可以使用卷积神经网络（ConvNet、CNN）和长短期记忆(LSTM)网络对图像、时序和文本数据执行分类和回归。
我们可以使用卷积神经网络（ConvNet、CNN）和长短期记忆(LSTM)网络对图像、时序和文本数据执行分类和回归。
2023/12/18 13:27:37
91.48MB
1
MATLAB工具包DEEPLEARNINGTOOLBOX(一)DeepLearningToolbox提供了一个用于通过算法、预训练模型和应用程序来设计和实现深度神经网络的框架。
我们可以使用卷积神经网络（ConvNet、CNN）和长短期记忆(LSTM)网络对图像、时序和文本数据执行分类和回归。
我们可以使用卷积神经网络（ConvNet、CNN）和长短期记忆(LSTM)网络对图像、时序和文本数据执行分类和回归。
2023/12/8 3:11:21
2KB
1
crowdcount-mcnn-master复现的预训练模型,话说从dropbox下载文件还真是费劲.我的复现过程出现的问题汇总在https://blog.csdn.net/jiruijing123/article/details/88750427
2023/11/25 1:57:33
931KB
1
为了说明训练过程，本示例将训练SegNet，一种用于图像语义分割的卷积神经网络(CNN)。
用于语义分割的其他类型网络包括全卷积网络(FCN)和U-Net。
以下所示训练过程也可应用于这些网络。
本示例使用来自剑桥大学的CamVid数据集展开训练。
此数据集是包含驾驶时所获得的街道级视图的图像集合。
该数据集为32种语义类提供了像素级标签，包括车辆、行人和道路。
本示例创建了SegNet网络，其权重从VGG-16网络初始化。
要获取VGG-16，请安装NeuralNetworkToolbox?ModelforVGG-16Network：安装完成后，运行以下代码以验证是否安装正确。
此外，请下载预训练版SegN
用于语义分割的其他类型网络包括全卷积网络(FCN)和U-Net。
以下所示训练过程也可应用于这些网络。
本示例使用来自剑桥大学的CamVid数据集展开训练。
此数据集是包含驾驶时所获得的街道级视图的图像集合。
该数据集为32种语义类提供了像素级标签，包括车辆、行人和道路。
本示例创建了SegNet网络，其权重从VGG-16网络初始化。
要获取VGG-16，请安装NeuralNetworkToolbox?ModelforVGG-16Network：安装完成后，运行以下代码以验证是否安装正确。
此外，请下载预训练版SegN
2023/11/15 8:25:03
1.06MB
1
yoloV4网络下的COCO数据集预训练权重文件，正确率很高，可以作为迁移学习的先导权重文件，可以省去很多的训练事件。
2023/11/11 6:08:11
246.73MB
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