基于HOG特征提取的图像分类器，首先提取图像的HOG特征，以此训练SVM分类器，使训练过后的SVM分类器能够自动对测试图像文件进行分类。
本套分类器的实现是基于Matlab言语开发。
Classify()是主函数。
本套分类器的实现是基于Matlab言语开发。
Classify()是主函数。
2016/2/17 1:30:36
225KB
1
朴素贝叶斯算法完成的邮件分类器，其中包括代码和数据。
文章链接为：https://blog.csdn.net/J__Max/article/details/82965180
文章链接为：https://blog.csdn.net/J__Max/article/details/82965180
2021/9/16 23:47:36
3.94MB
1
国外易康技术社区中提供的，利用易康8.9软件中的CART决策树分类器和SVM分类器进行影像分类的具体案例。
2019/7/27 10:51:58
2.31MB
1
分别采用高斯窗和方窗对给定的男女生身高体重分布进行几率密度估计，并设计基于贝叶斯最小错误率的分类器，对测试样本进行男女分类
2021/10/8 17:10:17
4KB
1
采用opencv实现的，训练人头检测分类器，900维，得到检测算子进行实时图像或视频检测，利用HOG特征，此检测算子精确率还可以，并将检测到各个目标保存为子图像，要想得到训练源码，发邮件：liuqingjie2@163.com.
2015/1/5 21:44:52
4.17MB
1
在Adaboost算法的基础上，提出了一种改进的Boosting方法来解决分类问题。
此方法将示例的类标签预测为分类器集合的加权多数投票。
每个分类器是通过将给定的弱学习者应用于子样本（大小小于原始训练集的子样本）而获得的，该子样本是根据原始训练集上保持的概率分布从原始训练集中得出的。
在Adaboost中提出的重新加权方案中引入了一个参数，以更新分配给训练示例的概率，从而使算法比Adaboost愈加准确。
在UCI资料库中可获得的合成数据集和一些实际数据集上的实验结果表明，该方法提高了Adaboost的预测精度，执行速度以及对分类噪声的鲁棒性。
此外，通过kappa误差图研究了集成分类器的多样性准确性模式。
此方法将示例的类标签预测为分类器集合的加权多数投票。
每个分类器是通过将给定的弱学习者应用于子样本（大小小于原始训练集的子样本）而获得的，该子样本是根据原始训练集上保持的概率分布从原始训练集中得出的。
在Adaboost中提出的重新加权方案中引入了一个参数，以更新分配给训练示例的概率，从而使算法比Adaboost愈加准确。
在UCI资料库中可获得的合成数据集和一些实际数据集上的实验结果表明，该方法提高了Adaboost的预测精度，执行速度以及对分类噪声的鲁棒性。
此外，通过kappa误差图研究了集成分类器的多样性准确性模式。
2016/5/11 17:46:49
688KB
1
python人脸识别、人体识别、耳朵眼睛识别源码，需求先安装python3.5、opencv以及自带的分类器
2019/1/9 14:15:34
4KB
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