卷积神经网络CNN代码解析，对MATLAB-deeplearningmaster工具箱的例子进行了说明。
2024/7/6 20:44:36
579KB
1
使用CNN深度学习网络keras框架识别交通标志使用了dataaugmentation，preprocess图片dropout等训练技巧
2024/6/29 12:48:28
862KB
1
基于CNN的疲劳检测源码-Python-模型：CNN；
-drowsinessdetection;-blinkdetection;-yawningdetection
-drowsinessdetection;-blinkdetection;-yawningdetection
2024/6/24 9:15:15
3.94MB
1
Web的动手Python深度学习这是由Packt发布的AnubhavSingh和SayakPaul编写的“的代码库。
集成神经网络架构以使用Flask，Django和TensorFlow构建智能Web应用这本书是关于什么的？有效地使用深度学习技术可以帮助您开发智能Web应用程序。
在本书中，您将介绍用于使用Python在Web开发中实施深度学习的最新工具和技术实践。
从机器学习的基础知识开始，您将专注于DL和神经网络的基础知识，包括常见的变体，例如卷积神经网络（CNN）。
您将学习如何使用不同标准Web技术堆栈的前端将它们集成到网站中。
然后，本书通过为自定义模型创建RESTfulAPI，帮助您获得使用Python库（例如Django和Flask）开发支持深度学习的Web应用程序的实践经验。
稍后，您将探索如何为GoogleCloud和AmazonWebServices（AWS）上基于深度学习的Web部署设置云环境。
本书涵盖了以下令人兴奋的功能：探索深度学习模型并在浏览器中实现使用Django和Flask设计基于Web的智能客户端使用不同的基于Py
集成神经网络架构以使用Flask，Django和TensorFlow构建智能Web应用这本书是关于什么的？有效地使用深度学习技术可以帮助您开发智能Web应用程序。
在本书中，您将介绍用于使用Python在Web开发中实施深度学习的最新工具和技术实践。
从机器学习的基础知识开始，您将专注于DL和神经网络的基础知识，包括常见的变体，例如卷积神经网络（CNN）。
您将学习如何使用不同标准Web技术堆栈的前端将它们集成到网站中。
然后，本书通过为自定义模型创建RESTfulAPI，帮助您获得使用Python库（例如Django和Flask）开发支持深度学习的Web应用程序的实践经验。
稍后，您将探索如何为GoogleCloud和AmazonWebServices（AWS）上基于深度学习的Web部署设置云环境。
本书涵盖了以下令人兴奋的功能：探索深度学习模型并在浏览器中实现使用Django和Flask设计基于Web的智能客户端使用不同的基于Py
2024/6/19 18:14:16
44.25MB
1
DeepLearn深度学习MATLAB工具箱，适合MATLAB平台快速入门深度学习，包含CNN,RNN,DBN等模型全套代码
2024/6/1 14:28:50
14.1MB
1
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
集合了卷积神经网络从神经网络分类Alnex,GoogleNetv1-v4,VGG,Resnet,NetworkinNetwork论文，图像检测R-CNN,FAST-RCNN,Faster-rcnn，Mask-rcnn，SSPN-net，SSD,YOLO，YOLO_v2,YOLO_v3,
2024/5/8 19:11:33
43.2MB
1
MaskR-CNN源码，需要python3、tensorflow＞=1.3、Keras＞=2.08、h5py、scipy、scikit-image、cython、numpy+mkl
2024/4/27 10:01:23
25.19MB
1
Places365是Places2数据库的最新子集。
Places365有两个版本：Places365-Standard和Places365-Challenge。
Places365-Standard的列车集有来自365个场景类别的约180万张图像，每个类别最多有5000张图像。
我们已经在Places365-Standard上培训了各种基线CNN，并将其发布如下。
与此同时，一系列的Places365-Challenge列车还有620万张图片以及Places365-Standard的所有图片（总共约800万张图片），每个类别最多有40,000张图片。
Places365-Challenge将用于2016年的Places2挑战赛，与2016年ECCV的ILSVRC和COCO联合研讨会一起举行。
Places365有两个版本：Places365-Standard和Places365-Challenge。
Places365-Standard的列车集有来自365个场景类别的约180万张图像，每个类别最多有5000张图像。
我们已经在Places365-Standard上培训了各种基线CNN，并将其发布如下。
与此同时，一系列的Places365-Challenge列车还有620万张图片以及Places365-Standard的所有图片（总共约800万张图片），每个类别最多有40,000张图片。
Places365-Challenge将用于2016年的Places2挑战赛，与2016年ECCV的ILSVRC和COCO联合研讨会一起举行。
2024/4/27 4:27:21
976KB
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