您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. CNN扩展 图像识别与定位 物体检测 NeuralStyle

  2. CNN扩展 图像识别与定位 物体检测 NeuralStyle ,传智机器学习,CNN扩展 图像识别与定位 物体检测 NeuralStyleCNN扩展 图像识别与定位 物体检测 NeuralStyle
  3. 所属分类:机器学习

    • 发布日期:2017-10-20
    • 文件大小:50331648
    • 提供者:lingyu123
  1. vidi软件人工智能深度学习缺陷检测软件视频应用

  2. ViDi 红色:分割段和缺陷探检测 ViDi 红色工具用于探检测异常和美观缺陷。无论是装饰表面上的划痕挂擦、不完整或不正确的组件,还是织品上的纺织问题,红色工具只需学习物体的正常外观,包括明显但可容受许的差异,即可识别所有这些,甚至更多问题。ViDi 红色工具也用于分割具体区域,例如缺陷或其他需要关注的区域。无论是医疗用布上的特定异物,还是织品上的切割区,红色工具只需学习目标区域的各种外观即可识别所有这些区域。 ViDi 绿色:对象和场景分类 ViDi 绿色工具用于对分类一个物体或完整场景进行
  3. 所属分类:深度学习

    • 发布日期:2017-11-10
    • 文件大小:100663296
    • 提供者:crcsafe
  1. 基于机器视觉和深度学习的目标识别与抓取定位研究

  2. 本文主要研究基于机器视觉和深度学习的目标识别与定位,为传统工业机器人加 入视觉系统,实时监测加工对象的信息,应用机器视觉和深度学习的理论与方法对这 些信息进行处理,提高机器人的智能化水平。实验平台为本实验组搭建的基于机器视 觉的六自由度机械臂控制系统,如图 1.1 所示。系统主要包括双目摄像机、六自由度 机械臂、摄像机标定及测量子系统、机械臂控制子系统以及目标识别与定位子系统。 双目摄像机由两个相同配置的 CCD 相机组成,充当机器人的眼睛;六自由度机械臂 充当机器人的手臂,移动抓取物体;目标
  3. 所属分类:机器学习

    • 发布日期:2018-06-13
    • 文件大小:5242880
    • 提供者:tjj1057813680
  1. 一种基于多特征和机器学习的分级行人检测方法

  2. 针对单幅图像中的行人检测问题,提出了基于自适应增强算法(Adaboost)和支持向量机(Support vector machine,SVM)的两级检测方法,应用粗细结合的思想有效提高检测的精度.粗级行人检测器通过提取四方向特征(Four direction features,FDF)和GAB(Gentle Adaboost)级联训练得到,精密级行人检测器用熵梯度直方图(Entropy-histograms of oriented gradients,EHOG)作为特征,通过支持向量机学习得到
  3. 所属分类:机器学习

    • 发布日期:2018-06-17
    • 文件大小:790528
    • 提供者:qq_28339273
  1. 基于深度学习的目标检测算法综述

  2. 目标检测的任务是找出图像中所有感兴趣的目标(物体),确定它们的位置和大小,是机器视觉领域的核心问题之一。由于各类物体有不同的外观,形状,姿态,加上成像时光照,遮挡等因素的干扰,目标检测一直是机器视觉领域最具有挑战性的问题。本文将针对目标检测(Object Detection)这个机器视觉中的经典任务进行解析,抛砖引玉。如对文中的内容持不同观点,欢迎到SIGAI公众号发消息给我们,一起探讨!
  3. 所属分类:机器学习

    • 发布日期:2018-06-26
    • 文件大小:2097152
    • 提供者:sigai_csdn
  1. 人脸检测算法之S3FD

  2. 人脸相对于其他物体来说有一个普遍的特点,就是在图像中所占像素少。比如,coco数据集中,有一个分类是“人”,但是人脸在人体中只占很少一部分,在全图像上所占比例就更少了。本文所要介绍的S3FD[1](Single Shot Scale-invariant Face Detector)正是要解决这个问题。
  3. 所属分类:机器学习

    • 发布日期:2018-08-13
    • 文件大小:1048576
    • 提供者:sigai_csdn
  1. 自然场景文本检测识别技术综述

  2. 本文介绍图像文本识别(OCR)领域的最新技术进展。首先介绍应用背景,包括面临的技术挑战、典型应用场景、系统实施框架等。接着介绍搭建图文识别模型过程中经常被引用到的多种特征提取基础网络、物体检测网络框架,以及它们被应用到图文识别任务中所面临的场景适配问题。然后介绍最近三年来出现的各种文本边框检测模型、文字内容识别模型、端到端图文识别模型。最后介绍图文识别领域的大型公开数据集。
  3. 所属分类:机器学习

    • 发布日期:2018-06-30
    • 文件大小:2097152
    • 提供者:sigai_csdn
  1. swift-TuriCreate简化了定制机器学习模型的开发

  2. 用于简化自定义机器学习模型的开发,专注于业务而不是算法,支持文本、图片、音频、视频和传感器数据。旨在将模型直接导出到 Core ML,以用于 iOS,macOS,watchOS 和 tvOS app。开发者只用几行代码就可以创建一个识别图像中物体的 feature,Turi Create 包含了一些常见的场景例如推荐系统、图像分类、图像相似度、物体检测、活动分类器和文本分类器。
  3. 所属分类:其它

    • 发布日期:2019-08-15
    • 文件大小:261095424
    • 提供者:weixin_39840387
  1. 21ic下载_OPENCV的入门的PPT学习课件.rar

  2. OpenCV(Open Source Computer Vision Library)是一个开源的计算机视觉库,它提供了很多函数,这些函数非常高效地实现了计算机视觉算法(最基本的滤波到高级的物体检测皆有涵盖)。 OpenCV 使用 C/C++ 开发,同时也提供了 Python、Java、MATLAB 等其他语言的接口。如果你不了解 C/C++,请阅读《C语言教程》和《C++教程》。 OpenCV 是跨平台的,可以在 Windows、Linux、Mac OS、Android、iOS
  3. 所属分类:讲义

    • 发布日期:2020-03-30
    • 文件大小:5242880
    • 提供者:qq_42322398
  1. 基于相似性度量学习的轨道异物检测研究

  2. 基于相似性度量学习的轨道异物检测研究,刘宇鸣,黄雅平,轨道异常物体检测是确保铁路运输安全的重要任务之一。随着机器学习相关技术的发展,大量基于监督式学习的技术被用于铁路维护场景�
  3. 所属分类:其它

    • 发布日期:2020-03-13
    • 文件大小:1048576
    • 提供者:weixin_38696590
  1. 基于机器学习的物体识别训练集及源码 Recognition-master

  2. 可以实现物体分类 对新物体识别类别 基于python+opencv+cnn的人脸识别的学习demo
  3. 所属分类:机器学习

    • 发布日期:2019-03-15
    • 文件大小:120586240
    • 提供者:qq_40311292
  1. 基于深度学习的图像分类搜索系统

  2. 图像分类是根据图像的信息将不同类别的图像区分开来,是计算机视觉中重要的基本问题,也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础。深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像、声音和文本。该系统基于Caffe深度学习框架,首先对数据集进行训练分析构建深度学习网络,提取数据集图像特征信息,得到数据对应的分类模型,然后以bvlc-imagenet训练集模型为基础,对目标图像进行扩展应用,实现“以图搜图”
  3. 所属分类:其它

    • 发布日期:2020-10-15
    • 文件大小:687104
    • 提供者:weixin_38502428
  1. 机器人抓取检测技术的研究现状_刘亚欣.caj

  2. 基于学习的方法 机器学习方法已被证明对广泛的感知问题有效[32-36], 允许感知系统学习从一些特征集到各种视觉特性的映射[37]. 研究人员更是将深度学习引入抓取检测中,将学习方法应用于视觉中,引入学习方法对抓取质量进行评分[38]. 近期的文献采用了更丰富的特征和学习方法,允许机器人抓取部分被遮挡的已知物体[39] 或已知物体未知姿态[40] 以及系统之前未见过的全新物体(未知物体)[41],本文将讨论后一种情况. 早期的工作集中在仅从2D部分视图数据中检测单个抓取点,使用启发式方法基于此点
  3. 所属分类:机器学习

    • 发布日期:2020-12-11
    • 文件大小:947200
    • 提供者:WhiffeYF
  1. tensorflow检测物体实例

  2. tensorflow检测物体实例:TensorFlow.js是Tensorflow的Javascr ipt版本。你可能听说过Tensorflow,因为它是世界上最受欢迎的机器学习工具。 TensorFlow.js充分吸取了机器学习的优点,并将应用于支持Javascr ipt 的node.js和浏览器中。更好的是,TensorFlow.js中包含几个主要的TensorFlow模型库中用于计算机视觉的预构建模型。本文会介绍其中两个模型。
  3. 所属分类:Javascript

    • 发布日期:2020-12-10
    • 文件大小:34603008
    • 提供者:weixin_48524550
  1. holbertonschool-machine_learning:机器学习-源码

  2. 机器学习 这是霍尔伯顿学校的机器学习(ML)培训计划,分为三个学期。从一些数学开始,然后在实践练习中深入学习各种技巧(监督,无监督,强化)。 课程的一些主题: 头三个学期 数学: 线性代数简介 微积分简介 绘图简介 概论 监督学习: 二进制分类 多类别分类 优化技术 正则化技术 卷积神经网络 深度卷积架构 物体检测 人脸验证 神经风格转移 第二学期 数学: 高级线性代数 进阶机率 无监督学习: 降维 聚类 嵌入 自动编码器 生成对抗网络 超参数优化 隐马尔可夫模型 监督学习: 递归神经网络 变形
  3. 所属分类:其它

    • 发布日期:2021-03-18
    • 文件大小:1048576
    • 提供者:weixin_42176827
  1. zeplin-ml:基于Zeplin的屏幕进行物体检测-源码

  2. Zeplin ML 基于机器学习的Zeplin项目中的对象检测 发展 该项目是通过和引导的。 蜜蜂 该项目使用来获取Zeplin项目和屏幕,并使用来检测屏幕中的UI对象。 可用脚本 在项目目录中,可以运行: yarn start 在开发模式下运行应用程序。 打开在浏览器中查看它。 如果您进行编辑,则页面将重新加载。 您还将在控制台中看到任何棉绒错误。 yarn test 在交互式监视模式下启动测试运行器。 有关更多信息,请参见关于的部分。 yarn build 构建生产到应用程序buil
  3. 所属分类:其它

    • 发布日期:2021-03-08
    • 文件大小:108003328
    • 提供者:weixin_42132352
  1. cat-localizer:通过BLE信标,ESP32和机器学习将猫本地化-源码

  2. 通过BLE信标,ESP32和机器学习将猫本地化 tl; dr / abstract 。 该系统可用于使用附着在物体上的蓝牙低功耗(BLE)信标,一组廉价的ESP32探测器和机器学习模型来对猫在建筑物中的位置进行定位。 怎么运行的 这是用于创建内部猫定位器的管道的概述。 实际上,它可以应用于任何动物(包括人类)或物体以及任何建筑物。 该系统的工作原理如下: 带有小BLE信标的猫正在发射BLE信号 BLE信号由位于此处和此处的ESP32进行检测; 他们正在测量BLE信标的信号强度。 每个ESP3
  3. 所属分类:其它

    • 发布日期:2021-03-06
    • 文件大小:1048576
    • 提供者:weixin_42163404
  1. 基于机器学习的运动物体检测算法

  2. 基于机器学习的运动物体检测算法
  3. 所属分类:其它

    • 发布日期:2021-03-03
    • 文件大小:99328
    • 提供者:weixin_38710524
  1. MVision:机器人视觉移动机器人VS-SLAM ORB-SLAM2深度学习目标检测yolov3行为检测opencv PCL机器学习无人驾驶-源码

  2. MVision机器视觉机器视觉 感谢支持 无人驾驶的各个方面知识 1. 感知(Perception): 主要涉及的技术点包括场景理解、交通状况分析、路面检测、空间检测、 障碍物检测、行人检测、路沿检测、车道检测。还有一个比较新颖有趣的是通过胎压去检测道路质量。 在无人驾驶行业,有一套通用的数据集——KITTI数据集,里面有不同的数据,包括双目视觉的数据、定位导航的数据等。 物体检测(Object Detection): 传统方法主要是针对固定物体的
  3. 所属分类:其它

    • 发布日期:2021-02-05
    • 文件大小:1073741824
    • 提供者:weixin_42134168
  1. awesome-ml-demos-with-ios:iOS上推理机器学习模型的挑战项目-源码

  2. iOS上很棒的机器学习演示 我们通过Core ML和ML Kit(TensorFlow Lite)解决了在iOS上使用机器学习模型的挑战。 内容 适用于iOS的机器学习框架 等等( , DEPRECATED ) 使用Core ML时的模型流程 大多数ML框架的总体流程非常相似。 每个框架都有其自己兼容的模型格式。 对于每个移动ML框架,我们需要采用TensorFlow中创建的模型并将其转换为适当的格式。 一旦准备好兼容模型,就可以使用ML框架运行推理。 请注意,您必须手动执行预处理/
  3. 所属分类:其它

    • 发布日期:2021-02-02
    • 文件大小:162529280
    • 提供者:weixin_42144366
« 12 3 »