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
SSD_SingleShotMultiBoxDetector2016.pdf,目标检测中比较经典的算法，速度快，效果好，而且代码相比faster-rcnn要简单易懂，代码在我的上一个上传资源里
2025/3/21 2:43:58
2.26MB
1
在Keras中实现的文本分类模型，包括：FastText，TextCNN，TextRNN，TextBiRNN，TextAttBiRNN，HAN，RCNN，RCNNVariant等。
2025/2/1 16:33:31
1.35MB
1
用该文件可以实现以下功能:用labelme工具打1张图片的标签,生成1.png和1.json在终端中运行命令pythona.py生成20张数据增强后的图片及其对应的json文件,包括翻转,加噪,模糊,加减曝光等图片在终端中运行pythonlabelme2COCO.py生成COCO格式数据集,可以进行mask-rcnn和faster-rcnn等的输入数据集
2025/1/22 6:53:58
684KB
1
遮罩评分R-CNN（MSR-CNN），，，。
CVPR2019口头论文，该项目基于。
介绍包含一个网络模块，用于了解预测的实例遮罩的质量。
所提出的网络块将实例特征和相应的预测掩码一起使用以对掩码IoU进行回归。
遮罩评分策略可在COCOAP评估过程中优先考虑更准确的遮罩预测，从而校准遮罩质量和遮罩得分之间的偏差，并提高实例分割性能。
通过对COCO数据集的广泛评估，MaskScoringR-CNN通过不同的模型和不同的框架带来一致且显着的收益。
MSR-CNN的网络如下：安装检查以获取安装说明。
准备数据mkdir-pdatasets/cocoln-s/path_to_coco_dataset/annotationsdatasets/coco/annotationsln-s/path_to_coco_dataset/trai
CVPR2019口头论文，该项目基于。
介绍包含一个网络模块，用于了解预测的实例遮罩的质量。
所提出的网络块将实例特征和相应的预测掩码一起使用以对掩码IoU进行回归。
遮罩评分策略可在COCOAP评估过程中优先考虑更准确的遮罩预测，从而校准遮罩质量和遮罩得分之间的偏差，并提高实例分割性能。
通过对COCO数据集的广泛评估，MaskScoringR-CNN通过不同的模型和不同的框架带来一致且显着的收益。
MSR-CNN的网络如下：安装检查以获取安装说明。
准备数据mkdir-pdatasets/cocoln-s/path_to_coco_dataset/annotationsdatasets/coco/annotationsln-s/path_to_coco_dataset/trai
2024/7/13 21:17:27
1.59MB
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