总结了深度学习中的分类网络，从Le-net，Alex-net,Vgg,googlenet(inceptionv1,v2,v3),netinnet,resnet50,SEnet,mobilenet,shuffleNet,还总结了相应的知识点。
2025/8/1 17:01:18
1.64MB
1
为了帮助对视觉障碍患者有效识别道路周围的场景，提出一种基于迁移学习和深度神经网络方法，实现实时盲道场景识别。
首先提取盲道障碍物的瓶颈描述子和判别区域集成显著性特征描述子，并进行特征融合，然后训练新的盲道特征表示，用Softmax函数实现盲道场景识别。
实验中，对成都不同区域盲道周围障碍物采样，分别采用基于Mobilenet模型不同参数训练和测试了提出的新模型，最后在实际应用场景，实现了盲道周边障碍物的实时分类和报警，实验证明提出的方法具有很高准确率和良好的运行性能。
首先提取盲道障碍物的瓶颈描述子和判别区域集成显著性特征描述子，并进行特征融合，然后训练新的盲道特征表示，用Softmax函数实现盲道场景识别。
实验中，对成都不同区域盲道周围障碍物采样，分别采用基于Mobilenet模型不同参数训练和测试了提出的新模型，最后在实际应用场景，实现了盲道周边障碍物的实时分类和报警，实验证明提出的方法具有很高准确率和良好的运行性能。
2025/7/30 17:30:33
1.22MB
1
采用mobilenet_v1替换原作者采用的resnet50，对于coco2014数据集进行重新训练,迭代了160k次，最终得到的模型模型大小为93m,原模型270多m，同时运算速度大大的提升了，感兴趣的同学可以去下载一下，不用gpu,可以直接在配置好环境的CPU就可以跑起来！
2025/5/6 17:30:33
92.76MB
1
在VS2017中配置OpenVINO环境，并运行Tensorlfow训练的MobileNet，包括Tensorflow模型转为OpenVINO模型，VS2017运行OpenVINO模型等,配置OpenCV等，详情请阅读我的博客【OpenVINO运行Tensorflow模型】
2025/2/25 3:37:12
107.85MB
1
ssd_mobilenet_v1_coco_2017_11_17tensorflow预训练模型
2024/11/7 3:51:44
73.02MB
1
SSD的mAP的python3脚本文件，直接运行可得到mAP-也可用于其他目标检测模型：mobilenet-ssd,yolo,fasterrcnn-voc_eval.py-reval_voc.py
2024/6/2 1:16:39
4KB
1
ssd_mobilenet_v1_cocohttps://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md
2023/12/21 1:54:13
73MB
1
GameAssist是一个AI游戏助手，结合OpenCv，OpenCvSharp4，ssd_mobilenet_v3等技术，对游戏对象进行识别，支持自动对准/自动开枪等功能，提升玩家的游戏体验；
重要的事情说三遍：这个工具和普通游戏外挂不同！不同！不同！普通游戏外挂：通过需改游戏执行代码/修改游戏内存数据/拦截游戏网络通讯等手段，破坏游戏进程，达到提升目的，这些手段是违法的。
GameAssist：使用AI技术进行屏幕检测，原理是用人工智能技术来玩游戏，不使用任何破坏游戏进程的手段。
一，技术栈说明：1，图像处理框架：使用OpenCv进行图像封装及AI对象识别；
使用OpenCvSharp4封装库，将OpenCv发布C＃开发运行环境；
使用windwosgdi32的Bitmap的图形类的CopyFromScreen，获取屏幕上方作为输入图像；
2，AI模型选择：使用OpenCv的DNN网络模
重要的事情说三遍：这个工具和普通游戏外挂不同！不同！不同！普通游戏外挂：通过需改游戏执行代码/修改游戏内存数据/拦截游戏网络通讯等手段，破坏游戏进程，达到提升目的，这些手段是违法的。
GameAssist：使用AI技术进行屏幕检测，原理是用人工智能技术来玩游戏，不使用任何破坏游戏进程的手段。
一，技术栈说明：1，图像处理框架：使用OpenCv进行图像封装及AI对象识别；
使用OpenCvSharp4封装库，将OpenCv发布C＃开发运行环境；
使用windwosgdi32的Bitmap的图形类的CopyFromScreen，获取屏幕上方作为输入图像；
2，AI模型选择：使用OpenCv的DNN网络模
2023/8/26 20:56:32
20.88MB
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