利用yolo实现简单的车辆识别，从随机初始化的权重训练一个YOLO模型是非常重要的，需要大量的数据集和大量的计算资源，所以我们在这个练习中使用了预训练的模型参数。
你也可以尝试用本人的数据集对YOLO模型进行微调。
你也可以尝试用本人的数据集对YOLO模型进行微调。
2022/9/5 6:20:13
11KB
1
CNN_classification_feature_extraction该存储库是pytorch中用于分类和特征提取的CNN的实现。
Pytorch预训练的模型已被用于其解释。
该代码支持数据并行性和多GPU，提早停止和类权重。
此外，您可以选择加载预训练的权重（在ImageNet数据集上进行训练）或使用随机权重从头开始训练。
预训练的模型结构在最初一层有1000个节点。
此代码将所有模型的最初一层修改为可与每个数据集兼容。
可以使用以下模型：'resnet18','resnet34','resnet50','resnet101','resnet152','resnext50_32x4d','resnext101_32x8d','wide_resnet50_2','wide_resnet101_2','vgg11','vgg11_bn','vgg13'
Pytorch预训练的模型已被用于其解释。
该代码支持数据并行性和多GPU，提早停止和类权重。
此外，您可以选择加载预训练的权重（在ImageNet数据集上进行训练）或使用随机权重从头开始训练。
预训练的模型结构在最初一层有1000个节点。
此代码将所有模型的最初一层修改为可与每个数据集兼容。
可以使用以下模型：'resnet18','resnet34','resnet50','resnet101','resnet152','resnext50_32x4d','resnext101_32x8d','wide_resnet50_2','wide_resnet101_2','vgg11','vgg11_bn','vgg13'
2022/9/4 23:46:38
19KB
1
特征降维是模式识别中重要的一步，从图像中提取的原始特征往往维度较高，需求对其降维处理。
基于AdaBoost的特征降维是具有良好的特征选择能力，其对每一维特征训练若分离器，根据分类效果调整权重，并最终选择具有分类信息的特征组合。
基于AdaBoost的特征降维是具有良好的特征选择能力，其对每一维特征训练若分离器，根据分类效果调整权重，并最终选择具有分类信息的特征组合。
2022/9/4 4:30:24
6KB
1
随着射频功放非线性对射频前端的影响日益增大,使得功放建模变得越来越重要。
提出了一种自顺应模糊小波神经网络模型结构,并利用改进的粒子群优化算法,建立有记忆的功放模型。
将小波函数融入到自顺应模糊推理系统的模糊规则中,得到新的网络模型;在粒子群算法中引入最差位置影响因子,提高搜索效率,并进一步简化,忽略粒子的速度项,同时采用与顺应度函数值相关的动态变化惯性权重,加快了收敛速度,避免出现"早熟"现象。
仿真结果表明:该方法建立的功放模型误差小、精度高,能够有效地表征功放特性。
提出了一种自顺应模糊小波神经网络模型结构,并利用改进的粒子群优化算法,建立有记忆的功放模型。
将小波函数融入到自顺应模糊推理系统的模糊规则中,得到新的网络模型;在粒子群算法中引入最差位置影响因子,提高搜索效率,并进一步简化,忽略粒子的速度项,同时采用与顺应度函数值相关的动态变化惯性权重,加快了收敛速度,避免出现"早熟"现象。
仿真结果表明:该方法建立的功放模型误差小、精度高,能够有效地表征功放特性。
2022/9/4 1:58:55
128KB
1
程序非常的简单但是数据量非常巨大，200多万姓名数据，带微信支付宝双接口，自顺应手机端，无人值守就可以挣钱，如果你是本地做门户或者做母婴行业等等，可以做这么一个网站，自然而然就带起来权重和流量了！
2019/1/27 18:23:33
31.69MB
1
1.如果2.如果1.对于每个点，选择一个指向它的权重最小的弧2.设3.将1.修改操作调查伍德伯里矩阵恒等式2.查询操作，求每个个点走出
2019/8/27 22:35:50
460KB
1
根据粒子群相关改进论文编辑，内部包含粒子群算法源码、改进后粒子群算法代码、测试函数集合文件改进文献来源，两种算法均已编辑为函数模式方便进行对比，亲测可用，可用作论文写作中算法对比。
2016/4/24 4:07:25
12KB
1
狂雨小说cms是非常好用的一个系统，搭建起来一键安装，就算是小白也能几分钟就搭建出来，奈何很多人不对写采集规则，一个小说站没有采集手动发布是不太现实的事情，但很多人一看到采集规则却不晓得怎么下手，或者完全不会，要不然就是高价去找人写采集规则，并且有的规则可能过个一两个月就不能用了，大大增加了各位站长的时间成本，这里我就免费分享个一个长期可用的采集规则，经测试完全可用，并且很长时间还能用。
也祝各位站长站点早日百度权重权7哈哈需要的站长可以下载
也祝各位站长站点早日百度权重权7哈哈需要的站长可以下载
2018/1/13 13:42:30
57B
1
数据融合matlab代码自适应加权学习网络的轻量图像超分辨率王朝峰，李振和石军，“具有自适应加权学习网络的轻量图像超分辨率”，该代码基于依存关系的Python3.5PyTorch＞=0.4.0麻木skimage意象matplotlibtqdm代码 gitclonegit@github.com:ChaofWang/AWSRN.git cdAWSRN抽象的近年来，深度学习已以出色的功能成功地应用于单图像超分辨率（SISR）任务。
但是，大多数基于卷积神经网络的SR模型都需要大量计算，这限制了它们在现实世界中的应用。
在这项工作中，为SISR提出了一种轻量级SR网络，称为自适应加权超分辨率网络（AWSRN），以解决此问题。
在AWSRN中设计了一种新颖的局部融合块（LFB），用于有效的残差学习，它由堆叠的自适应加权残差单元（AWRU）和局部残差融合单元（LRFU）组成。
此外，提出了一种自适应加权多尺度（AWMS）模块，以充分利用重建层中的特征。
AWMS由几个不同的尺度卷积组成，并且可以根据AWMS中针对轻量级网络的自适应权重的贡献来删除冗余尺度分
但是，大多数基于卷积神经网络的SR模型都需要大量计算，这限制了它们在现实世界中的应用。
在这项工作中，为SISR提出了一种轻量级SR网络，称为自适应加权超分辨率网络（AWSRN），以解决此问题。
在AWSRN中设计了一种新颖的局部融合块（LFB），用于有效的残差学习，它由堆叠的自适应加权残差单元（AWRU）和局部残差融合单元（LRFU）组成。
此外，提出了一种自适应加权多尺度（AWMS）模块，以充分利用重建层中的特征。
AWMS由几个不同的尺度卷积组成，并且可以根据AWMS中针对轻量级网络的自适应权重的贡献来删除冗余尺度分
2018/6/1 12:43:36
3.95MB
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