本资源包含一个Mnist手写体的训练脚本，可在环境配置好的情况下直接训练学习模型，然后可以根据模型输出任意照片，预测结果，直接可用，适合入门者。
2019/8/5 9:35:08
10.26MB
1
matlab+BP神经网络手写体数字辨认训练程序（含训练数据）。
包含5000张手写字数字图片（20x20像素），以及matlab训练程序。
包含5000张手写字数字图片（20x20像素），以及matlab训练程序。
2020/8/24 7:45:52
19.47MB
1
此数据集为自然场景下的特定场景下的汉字数据集，即，不包含自然场景下的手写体、过度扭曲图、以及艺术体，可以参考道路交通路标上的规范字体，数据集解压后，此数据集包含2602类汉字，32万张汉字图片，里面包括黑体白字以及白体黑字，以顺应不同的字体，而非清一色的白体黑字或者黑体白字。
2022/9/6 23:45:30
94.41MB
1
现有算法对于笔画中含有大量离散笔画点和附加部分的手写体文本,分割功能较低。
针对该问题,提出一种基于分段式前景涂抹和背景细化的文本行分割算法。
对前景部分实施分段式涂抹,并删除长宽比不满足条件的膨胀区域,以获得文本区域的定位,利用图像背景的细化获取文本行分割线,给出重心判定算法,从而解决上下文本行之间的文字重叠问题。
对210幅图片、2563个文本行进行实验,结果表明,该算法的出错率仅为3.3%,低于水平投影算法、分段式投影算法和聚类算法,能对文本行进行较为完整的分割。
针对该问题,提出一种基于分段式前景涂抹和背景细化的文本行分割算法。
对前景部分实施分段式涂抹,并删除长宽比不满足条件的膨胀区域,以获得文本区域的定位,利用图像背景的细化获取文本行分割线,给出重心判定算法,从而解决上下文本行之间的文字重叠问题。
对210幅图片、2563个文本行进行实验,结果表明,该算法的出错率仅为3.3%,低于水平投影算法、分段式投影算法和聚类算法,能对文本行进行较为完整的分割。
2022/9/6 12:57:45
1.89MB
1
手写数字的识别是模式识别及机器学习的一个重要应用,应用范围非常广泛。
本文提出一种基于决策树算法的手写数字识别方法,该方法通过提取基于密度的特征,通过训练得到一个决策树分类模型,进而进行手写数字的识别。
实验证明该方法能够快速无效的进行手写数字的识别。
本文提出一种基于决策树算法的手写数字识别方法,该方法通过提取基于密度的特征,通过训练得到一个决策树分类模型,进而进行手写数字的识别。
实验证明该方法能够快速无效的进行手写数字的识别。
2022/9/3 0:25:35
292KB
1
包含“王权富贵-MNIST-BP神经网络”“王权富贵-MNIST-BP神经网络仅训练部分版本”“王权富贵-MNIST-数据集熟习+线性神经网络”这些系列！每句话备注！
2017/2/19 3:21:37
73.13MB
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