乳腺癌病理图像的自动分类具有重要的临床应用价值。
基于人工提取特征的分类算法，存在需要专业领域知识、耗时费力、提取高质量特征困难等问题。
为此，采用一种改进的深度卷积神经网络模型，实现了乳腺癌病理图像的自动分类;同时，利用数据增强和迁移学习方法，有效避免了深度学习模型受样本量限制时易出现的过拟合问题。
实验结果表明，该方法的识别率可达到91%，且具有较好的鲁棒性和泛化性
基于人工提取特征的分类算法，存在需要专业领域知识、耗时费力、提取高质量特征困难等问题。
为此，采用一种改进的深度卷积神经网络模型，实现了乳腺癌病理图像的自动分类;同时，利用数据增强和迁移学习方法，有效避免了深度学习模型受样本量限制时易出现的过拟合问题。
实验结果表明，该方法的识别率可达到91%，且具有较好的鲁棒性和泛化性
2024/8/3 5:11:41
632KB
1
android端，基于openCV与深度学习，实现快速准确的车牌识别。
平均识别耗时350ms左右，采集100样本识别准确率达到95%。
识别过程：1、使用openCV确定车牌左右、上下区域；
2、车牌倾斜判断与校正；
3、滑动切割字符；
4、深度学习对每个字符进行识别
平均识别耗时350ms左右，采集100样本识别准确率达到95%。
识别过程：1、使用openCV确定车牌左右、上下区域；
2、车牌倾斜判断与校正；
3、滑动切割字符；
4、深度学习对每个字符进行识别
2024/7/21 21:39:02
24.82MB
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
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
本次实验训练了多个用于垃圾图片分类识别的模型，采用迁移学习的方法选取性能较好的模型进行调优改进，最终的模型识别准确率在93%以上（30个epoch)；
然后将训练好的模型部署在华为云上，生成API接口进行调用；
最后设计了一个可视化程序调用API接口来进行展示，方便用户使用。
然后将训练好的模型部署在华为云上，生成API接口进行调用；
最后设计了一个可视化程序调用API接口来进行展示，方便用户使用。
2024/5/26 13:35:28
711KB
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