共包含6大类20个细粒度要素的情感倾向.数据集分为训练、验证、测试A与测试B四部分。
数据集中的评价对象按照粒度不同划分为两个层次，层次一为粗粒度的评价对象，例如评论文本中涉及的服务、位置等要素；
层次二为细粒度的情感对象，例如“服务”属性中的“服务人员态度”、“排队等候时间”等细粒度要素。
每个细粒度要素的情感倾向有四种状态：正向、中性、负向、未提及.
数据集中的评价对象按照粒度不同划分为两个层次，层次一为粗粒度的评价对象，例如评论文本中涉及的服务、位置等要素；
层次二为细粒度的情感对象，例如“服务”属性中的“服务人员态度”、“排队等候时间”等细粒度要素。
每个细粒度要素的情感倾向有四种状态：正向、中性、负向、未提及.
2024/3/30 17:07:08
67.24MB
1
该课题是基于MATLAB神经网络的交通标志识别系统。
主要分3个步骤：定位，分割，识别。
其中定位部分，考虑我国的交通标志主要分禁令类，指示类和警示类，其中禁令类为红色，指示类为蓝色，警示类为黄色。
根据不同颜色比例组成，参数设置合理即可分离出图片中不同颜色分量。
但是，这肯定多少存在一些误分割，比如将其他红色，蓝色或者黄色的物体给分离，那么考虑到交通标志区域的分量肯定是最大的，利用形态学相关知识，按面积小于一定阈值进行滤除，即可得到精准的定位。
接着，分割出目标区域，得到彩色的目标区域。
最后利用bp神经网络方法进行训练，得到结果，并且输出。
整个设计带有一个可视化GUI界面，方便操作，布局合理，是你的不
主要分3个步骤：定位，分割，识别。
其中定位部分，考虑我国的交通标志主要分禁令类，指示类和警示类，其中禁令类为红色，指示类为蓝色，警示类为黄色。
根据不同颜色比例组成，参数设置合理即可分离出图片中不同颜色分量。
但是，这肯定多少存在一些误分割，比如将其他红色，蓝色或者黄色的物体给分离，那么考虑到交通标志区域的分量肯定是最大的，利用形态学相关知识，按面积小于一定阈值进行滤除，即可得到精准的定位。
接着，分割出目标区域，得到彩色的目标区域。
最后利用bp神经网络方法进行训练，得到结果，并且输出。
整个设计带有一个可视化GUI界面，方便操作，布局合理，是你的不
2024/3/29 2:03:25
2.01MB
1
双目立体匹配用到的数据集MiddleburyStereoDatasets自己从官网上下载的包括01030506年的以及14年的测试集和训练集带参数应该算比较全的官网下载很慢分享给大家
2024/3/27 7:33:57
307.22MB
1
为了提高卷积神经网络（CNN）在图像隐写分析领域的分类效果，构建了一个新的卷积神经网络模型（steganalysis-convolutionalneuralnetworks，S-CNN）进行隐写分析。
该模型采用两层卷积层和两层全连接层，减少了卷积层的层数；
通过在激活函数前增加批量正规化层对模型进行优化，避免了模型在训练过程中陷入过拟合；
取消池化层，减少嵌入信息的损失，从而提高模型的分类效果。
实验结果表明，相比传统的图像隐写分析方法，该模型减少了隐写分析步骤，并且具有较高的隐写分析准确率。
该模型采用两层卷积层和两层全连接层，减少了卷积层的层数；
通过在激活函数前增加批量正规化层对模型进行优化，避免了模型在训练过程中陷入过拟合；
取消池化层，减少嵌入信息的损失，从而提高模型的分类效果。
实验结果表明，相比传统的图像隐写分析方法，该模型减少了隐写分析步骤，并且具有较高的隐写分析准确率。
2024/3/26 7:13:29
1.31MB
1
对于一个二元非线性函数z=f(x,y),构建神经网络并对其进行训练，使其在定义域内对此二元函数进行拟合。
主函数是bp2.py，配好环境解压后直接打开运行即可，现在是迭代20次，如果需要换函数，修改21行的z[j][i]
主函数是bp2.py，配好环境解压后直接打开运行即可，现在是迭代20次，如果需要换函数，修改21行的z[j][i]
2024/3/25 19:13:37
5KB
1
本人耐心收集的617张国内车牌60-17像素大小bmp图片用于OpenCVAdaboost车牌检测正样本训练详情见http://blog.csdn.net/mkr127/article/details/8930381
2024/3/25 17:56:49
1.18MB
1
识别0-9十个数字，BP神经网络数字识别源代码使用说明第一步：训练网络。
使用训练样本进行训练。
（此程序中也可以不训练，因为笔者已经将训练好的网络参数保存起来了，读者使用时可以直接识别）第二步：识别。
首先，打开图像（256色）；
再次，进行归一化处理，点击“一次性处理”；
最后，点击“R”或者使用菜单找到相应项来进行识别。
识别的结果显示在屏幕上，同时也输出到文件result.txt中。
该系统的识别率一般情况下为90%。
此外，也可以单独对打开的图片一步一步进行图像预处理工作，但要注意，每一步工作只能执行一遍，而且要按顺序执行。
具体步骤为：“256色位图转为灰度图”－“灰度图二值化”－“去噪”－“倾斜校正”－“分割”－“标准化尺寸”－“紧缩重排”。
注意，待识别的图片要与win.dat和whi.dat位于同一目录，这两文件保存训练后网络的权值参数。
具体使用请参照书中说明。
使用训练样本进行训练。
（此程序中也可以不训练，因为笔者已经将训练好的网络参数保存起来了，读者使用时可以直接识别）第二步：识别。
首先，打开图像（256色）；
再次，进行归一化处理，点击“一次性处理”；
最后，点击“R”或者使用菜单找到相应项来进行识别。
识别的结果显示在屏幕上，同时也输出到文件result.txt中。
该系统的识别率一般情况下为90%。
此外，也可以单独对打开的图片一步一步进行图像预处理工作，但要注意，每一步工作只能执行一遍，而且要按顺序执行。
具体步骤为：“256色位图转为灰度图”－“灰度图二值化”－“去噪”－“倾斜校正”－“分割”－“标准化尺寸”－“紧缩重排”。
注意，待识别的图片要与win.dat和whi.dat位于同一目录，这两文件保存训练后网络的权值参数。
具体使用请参照书中说明。
2024/3/24 15:29:46
59KB
1
DOC2vec，是为一群用来产生词向量的相关模型。
这些模型为浅而双层的神经网络，用来训练以重新建构语言学之词文本。
这些模型为浅而双层的神经网络，用来训练以重新建构语言学之词文本。
2024/3/23 19:28:01
39.11MB
1
我收集的猫数据集，用于训练基于HOG特征的分类器。
详细请参考我的博客：http://blog.csdn.net/hongbin_xu/article/details/78443289
详细请参考我的博客：http://blog.csdn.net/hongbin_xu/article/details/78443289
2024/3/23 11:55:09
6.32MB
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