深度学习FasterR-CNN的多帧背景还原解决动态背景的问题。
针对动态背景下的目标提取问题。
本文提出了基于深度学习FasterR-CNN的多帧背景还原的前景目标提取算法。
基于FasterR-CNN对前景目标的单帧提取能力，对每一帧分别进行检测，并提取每帧的背景，经过图像融合还原出完整的不含目标的背景图像，并通过滤波与膨胀腐蚀等精确的提取前景目标。
针对动态背景下的目标提取问题。
本文提出了基于深度学习FasterR-CNN的多帧背景还原的前景目标提取算法。
基于FasterR-CNN对前景目标的单帧提取能力，对每一帧分别进行检测，并提取每帧的背景，经过图像融合还原出完整的不含目标的背景图像，并通过滤波与膨胀腐蚀等精确的提取前景目标。
2024/6/1 6:06:55
1KB
1
本次实验训练了多个用于垃圾图片分类识别的模型，采用迁移学习的方法选取性能较好的模型进行调优改进，最终的模型识别准确率在93%以上（30个epoch)；
然后将训练好的模型部署在华为云上，生成API接口进行调用；
最后设计了一个可视化程序调用API接口来进行展示，方便用户使用。
然后将训练好的模型部署在华为云上，生成API接口进行调用；
最后设计了一个可视化程序调用API接口来进行展示，方便用户使用。
2024/5/26 13:35:28
711KB
1
目标检测（ObjectDetection）是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。
近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。
从最初2013年提出的R-CNN、OverFeat，到后面的Fast/FasterR-CNN，SSD，YOLO系列，再到2018年最近的Pelee。
短短不到五年时间，基于深度学习的目标检测技术，在网络结构上，从twostage到onestage，从bottom-uponly到Top-Down，从singlescalenetwork到featurepyramidnetwork，从面向PC端到面向手机端，都涌现出许多好的算法技术，这些算法在开放目标检测数据集上的检测效果和性能都很出色。
近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。
从最初2013年提出的R-CNN、OverFeat，到后面的Fast/FasterR-CNN，SSD，YOLO系列，再到2018年最近的Pelee。
短短不到五年时间，基于深度学习的目标检测技术，在网络结构上，从twostage到onestage，从bottom-uponly到Top-Down，从singlescalenetwork到featurepyramidnetwork，从面向PC端到面向手机端，都涌现出许多好的算法技术，这些算法在开放目标检测数据集上的检测效果和性能都很出色。
2024/3/11 5:24:12
3.58MB
1
基于深度学习的软件源码漏洞预测综述，马倩华，李晖，深度学习方法能自动提取软件源代码的一些语法语义特征进行漏洞预测,已有一些研究证实了其有效性,但该领域还没有统一的指导原则,本
2024/3/8 4:40:51
325KB
1
基于深度学习的实时车辆检测代码，详情见博客：http://blog.csdn.net/adamshan/article/details/79193775
2024/2/11 6:32:02
12.17MB
1
基于深度学习识别人脸性别和年龄！C++/python代码https://blog.csdn.net/LuohenYJ/article/details/88134634
2024/2/7 11:56:20
82.53MB
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