由于资源较大无法直接上传，所以上传至百度云，附件是下载地址和密码。
缺陷检测智能识别深度学习快速定位识别智能分类ViDi蓝色-特征检测使用ViDi蓝色在您的图像中执行功能检测和本地化。
它会自动找到所有寻找的零件。
ViDi红-异常检测使用ViDi红色识别图像中的异常和缺陷。
它将突出显示并评分任何类型的异常。
ViDi绿色-图像分类使用ViDi绿色在图像中执行对象和场景分类。
它会自动找到什么使每个类别可辨别。
ViDi|Deeplearning|ImageAnalysisSoftware-ViDiSystems-VisionSoftware基于深度学习的工业图像分析软件ViDi提供了第一个可用于深入学习的视觉软件，用于工业图像分析。
ViDiSuite是基于机器学习中最先进的算法集的现场测试，优化和可靠的软件解决方案。
它允许解决否则无法对机器视觉的检查和分类挑战进行编程。
缺陷检测智能识别深度学习快速定位识别智能分类ViDi蓝色-特征检测使用ViDi蓝色在您的图像中执行功能检测和本地化。
它会自动找到所有寻找的零件。
ViDi红-异常检测使用ViDi红色识别图像中的异常和缺陷。
它将突出显示并评分任何类型的异常。
ViDi绿色-图像分类使用ViDi绿色在图像中执行对象和场景分类。
它会自动找到什么使每个类别可辨别。
ViDi|Deeplearning|ImageAnalysisSoftware-ViDiSystems-VisionSoftware基于深度学习的工业图像分析软件ViDi提供了第一个可用于深入学习的视觉软件，用于工业图像分析。
ViDiSuite是基于机器学习中最先进的算法集的现场测试，优化和可靠的软件解决方案。
它允许解决否则无法对机器视觉的检查和分类挑战进行编程。
2023/6/5 2:29:57
64B
1
本工具为复旦大学计算机学院机器人研究实验室开发的基于深度学习的中文自然语言处理工具FudanDNN-NLP2.0，该工具可用于中文分词、自定义词汇、文本规范化、命名识别、词性标注、语义分析，用户可以根据需要重新训练或者精调模型。
深度学习方法的优点在于不需要预先根据任务进行特征选择（特征工程），系统所需参数较少（节省内存开销），并且解码速度（实际使用）远远快于其它相似性能的系统。
深度学习方法的优点在于不需要预先根据任务进行特征选择（特征工程），系统所需参数较少（节省内存开销），并且解码速度（实际使用）远远快于其它相似性能的系统。
2023/5/30 14:42:47
58.86MB
1
提出一种使用深度学习方式对于收集情景举行态势评估的方式。
依据收集扫描进程中患上到的迫害信息举行分类以及特色提取，熬炼深度学习收集，并依据学习下场料想侵略对于收集组成的影响，同时对于之后收集态势举行部份评估。
针对于收集部份的清静下场举行定量描摹，从而能够对于不合协议层、不合来源、不合本领的侵略举行迫害评估，并调解资源举行拦阻及防护。
依据收集扫描进程中患上到的迫害信息举行分类以及特色提取，熬炼深度学习收集，并依据学习下场料想侵略对于收集组成的影响，同时对于之后收集态势举行部份评估。
针对于收集部份的清静下场举行定量描摹，从而能够对于不合协议层、不合来源、不合本领的侵略举行迫害评估，并调解资源举行拦阻及防护。
2023/4/19 23:24:06
1.2MB
1
提出了一种基于深度学习的车位智能检测方式。
行使TensorFlow深度学习平台对于车辆目的识别模子举行了熬炼,提取了实用车辆图像的优化距离,给出了车辆漫衍的精准识别下场,实现为了对于车辆漫衍识别下场的有序编号以及车位空缺情景的准确分辨。
行使模拟数据以及实际收集数据,分别验证了车位漫衍的智能识别、车位智能编号以及空车位辨另外牢靠性。
行使TensorFlow深度学习平台对于车辆目的识别模子举行了熬炼,提取了实用车辆图像的优化距离,给出了车辆漫衍的精准识别下场,实现为了对于车辆漫衍识别下场的有序编号以及车位空缺情景的准确分辨。
行使模拟数据以及实际收集数据,分别验证了车位漫衍的智能识别、车位智能编号以及空车位辨另外牢靠性。
2023/4/19 4:25:58
18.89MB
1
基于深度学习的资源三号遥感影像云检测方式。
摘要针对于资源三号卫星影像波段少、光谱规模受限的特色，本文提出了基于深度学习的资源三号遥感影像云检测方式。
起首，付与主成份阐发非把守预熬炼搜集合构，患上到待测遥感影像特色；
其次，为削减在池化进程中影像特色信息的损失，提出自顺应池化模子，该模子能很好开掘影像特色信息；
末了，将影像特色输入反对于向量机分类器举行分类，患上到云检测下场。
选取典型地域举行云检测试验，并与传统Otsu方式举行比力。
下场评释：本文方式检测精度高，并且不受光谱规模限度。
摘要针对于资源三号卫星影像波段少、光谱规模受限的特色，本文提出了基于深度学习的资源三号遥感影像云检测方式。
起首，付与主成份阐发非把守预熬炼搜集合构，患上到待测遥感影像特色；
其次，为削减在池化进程中影像特色信息的损失，提出自顺应池化模子，该模子能很好开掘影像特色信息；
末了，将影像特色输入反对于向量机分类器举行分类，患上到云检测下场。
选取典型地域举行云检测试验，并与传统Otsu方式举行比力。
下场评释：本文方式检测精度高，并且不受光谱规模限度。
2023/4/14 21:08:27
792KB
1
通过实验仿真分析得出:（1）趋势项信号可以影响预测的精度，设置最优的频谱阈值去除趋势项能够使得预测误差减少5%；
（2）压缩后的路网预测运转时间明显减少，节约时间90%；
（3）本文提出的预测模型在预测精度上优于其他预测模型，预测误差比SVR模型减少8%，路网中各个路段的平均预测精度可以达到92%
（2）压缩后的路网预测运转时间明显减少，节约时间90%；
（3）本文提出的预测模型在预测精度上优于其他预测模型，预测误差比SVR模型减少8%，路网中各个路段的平均预测精度可以达到92%
2023/3/19 17:30:15
1.36MB
1
为了将情感信息融入到词向量中，本文第一部分工作提出了两个情感词向量学习框架，即，基于谷歌提出的Ｓｋｉｐ－ｇｒａｍ模型的框架和基于卷积神经网络模型的框架。
在每个框架中，根据情感和语义信息融合策略的不同，我们又分别提出Ｈ个具体模型。
为了验证学习得到的情感词向量能否包含语义和情感信息，本文分别在不同语言、不同领域的多个数据集下进行了大量定性和定量的比较实验。
这部分相关工作分别发表在２０１５年ＩＡＬＰ会议和２０１６年ＩＪＣＮＮ会议
在每个框架中，根据情感和语义信息融合策略的不同，我们又分别提出Ｈ个具体模型。
为了验证学习得到的情感词向量能否包含语义和情感信息，本文分别在不同语言、不同领域的多个数据集下进行了大量定性和定量的比较实验。
这部分相关工作分别发表在２０１５年ＩＡＬＰ会议和２０１６年ＩＪＣＮＮ会议
2023/3/14 22:36:39
4.63MB
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