利用opencv库函数检测人脸、眼睛以及鼻子等区域haarcascades各种分类器xml文件,训练好的分类器，有人脸，人眼，倾斜的人脸，鼻子，口嘴，上半身，下半身等等。
是基于haar特征的
是基于haar特征的
2023/5/29 9:04:54
2.13MB
1
基于眨眼检测的实时人脸识别，内含完整代码与训练好的模型haarcascade_eye_tree_eyeglasses.xmlhaarcascade_frontalface_alt.xmlhaarcascade_lefteye_2splits.xmlhaarcascade_righteye_2splits.xmllbpcascade_frontalface.xmlmodel.h5model.json
2023/5/28 23:26:06
3.47MB
1
针对训练集中出现未知网络应用样本的识别问题，提出一种基于改进的直推式支持向量机的未知网络应用识别算法，引入增类损失函数刻画在训练过程中新增的未知应用样本的损失代价，建立TSVM的优化问题并推导其求解过程，使得构造的分类模型能够实现对未知类别样本的识别。
通过实际网络数据集进行仿真分析，结果表明所提出的算法在识别未知网络应用的可行性和有效性方面均有良好表现。
通过实际网络数据集进行仿真分析，结果表明所提出的算法在识别未知网络应用的可行性和有效性方面均有良好表现。
2023/5/17 17:27:02
285KB
1
这个是我参照网上的一些代码写的，可以训练和识别，但是没有做预处理，所以录音时要注意不要出现没声音的片段，识别率不是很高，可以做一下参考！code=train('train\',4)%训练test('test\',8,code)%识别
2023/5/16 21:46:46
2.37MB
1
本人研究生阶段写文档所写的Matlab代码。
包括：1、图片预处理；
2、特性提取：颜色、灰度共生矩阵、灰度差分、Harr-Like、等多个特征提取算法；
3、特性选择：从特征向量中选取有效的特性；
4、基础算法：AdaBoost的训练与测试;Bayes算法5、AdaBoost的改进：Boosting,CastBoost、FloatBoost
包括：1、图片预处理；
2、特性提取：颜色、灰度共生矩阵、灰度差分、Harr-Like、等多个特征提取算法；
3、特性选择：从特征向量中选取有效的特性；
4、基础算法：AdaBoost的训练与测试;Bayes算法5、AdaBoost的改进：Boosting,CastBoost、FloatBoost
2023/5/15 11:45:44
256KB
1
过滤器相似度CIFAR10模型砝码使用链接下载权重（您必须手动下载和提取）。
要将路径设置为下载的weights文件夹，请在vgg.py指定path_to_state_dict。
依存关系通过运行以下命令安装依赖项：pipinstall-rrequirements.txt选项：-net-架构的选择（默认：resnet18）-dataset选择数据集（默认值：cifar10）-tr-batch训练批次大小（默认值：512）-val-batch验证批次大小（默认值：512）-lr学习率（默认值：0.1）-wd权重衰减（默认值：5e-4）-epochs要训练的时期数（默认值：300）-cpu-cpu标志-reinit分集丢失使用标志-mode-在转移和默认训练之间选择如何运行：pythontrain.py-lr0.1-gpu-dat
要将路径设置为下载的weights文件夹，请在vgg.py指定path_to_state_dict。
依存关系通过运行以下命令安装依赖项：pipinstall-rrequirements.txt选项：-net-架构的选择（默认：resnet18）-dataset选择数据集（默认值：cifar10）-tr-batch训练批次大小（默认值：512）-val-batch验证批次大小（默认值：512）-lr学习率（默认值：0.1）-wd权重衰减（默认值：5e-4）-epochs要训练的时期数（默认值：300）-cpu-cpu标志-reinit分集丢失使用标志-mode-在转移和默认训练之间选择如何运行：pythontrain.py-lr0.1-gpu-dat
2023/3/21 5:28:19
46KB
1
卷积神经网络-Codealong介绍在此代码中，我们将重新研究以前的圣诞老人图像分类示例。
为此，我们将审查从嵌套目录结构中加载数据集并构建基线模型。
从那里，我们将构建一个CNN并演示其在图像识别任务上的改进功能。
建议您运行单元格，以便进一步探索变量并调查代码片段本身。
但是，请注意，某些细胞（尤其是稍后训练的细胞）可能需要几分钟才能运行。
（在Macbookpro上，整个笔记本电脑大约需要15分钟才能运行。
）目标你将能够：使用图像数据生成器从分层文件结构加载图像解释为什么训练神经网络时可能会增加图像数据在训练神经网络之前将数据增强应用于图像文件使用Keras构建CNN正确存储图像分析图像数据时，文件管理很重要。
我们将再次使用圣诞老人图像，但是这次将它们存储在两个文件夹中：santa和not_santa。
我们现在想使用train，validation
为此，我们将审查从嵌套目录结构中加载数据集并构建基线模型。
从那里，我们将构建一个CNN并演示其在图像识别任务上的改进功能。
建议您运行单元格，以便进一步探索变量并调查代码片段本身。
但是，请注意，某些细胞（尤其是稍后训练的细胞）可能需要几分钟才能运行。
（在Macbookpro上，整个笔记本电脑大约需要15分钟才能运行。
）目标你将能够：使用图像数据生成器从分层文件结构加载图像解释为什么训练神经网络时可能会增加图像数据在训练神经网络之前将数据增强应用于图像文件使用Keras构建CNN正确存储图像分析图像数据时，文件管理很重要。
我们将再次使用圣诞老人图像，但是这次将它们存储在两个文件夹中：santa和not_santa。
我们现在想使用train，validation
2023/3/19 7:39:44
344.12MB
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