注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. opencV训练分类器

  2. 详细介绍opencv自带的分类器的各种情况，目标检测的三个主要步骤为样本的创建，训练分类器，利用训练好的分类器进行目标检测。

  3. 所属分类：C++

    • 发布日期：2011-05-04
    • 文件大小：44032
    • 提供者：cool86672

  1. 人脸识别源代码及步骤

  2. 使用步骤： 1. 拷贝所有文件到MATLAB工作目录下(确认已经安装了图像处理工具箱和人工智能工具箱) 2. 找到"main.m"文件 3. 命令行中运行它 4. 点击"Train Network"，等待程序训练好样本 5. 点击"Test on Photos"，选择一个.jpg图片，识别。 6. 等待程序检测出人脸区域 createffnn.m, drawrec.m, gabor.m, im2vec.m, imscan.m, loadimages.m, main.m, template1.p

  3. 所属分类：其它

    • 发布日期：2011-05-17
    • 文件大小：160768
    • 提供者：elva8816

  1. 基于半监督的帮助训练算法，英文文献，2011

  2. 帮助训练算法不同于传统的混合法，因为，在训练后，只把判决分类器的参数返回并用到下次测试步骤中，而将生成模型丢弃，它只用于帮助主训练器c学习没有标记数据的参数，这就使得c在测试中独立了.我们的目的是让区别分类器能在没有生产性分类器的条件下自动的做预测。 分析：第一，自训练和帮助训练都好，很接近贝叶斯错误。第二，自训练的svm很依赖原始数据分布（标记数据），它的泛化能力与标记数据的监督学习的泛化能力是相关的。而帮助监督的泛化能力就不太依赖原始数据。第三，帮助训练的结果与标记全部样本得到的测试结果几

  3. 所属分类：C/C++

    • 发布日期：2011-06-28
    • 文件大小：1048576
    • 提供者：sanjinxiaomula

  1. 图像挖掘技术研究与应用

  2. 1.本文提出一种更简单实用的知识驱动的图像挖掘框架模型，该模型的特 点是在图像挖掘产生的回溯过程中可利用前面所有步骤或者后面相邻步骤己经 分析发现的模式或知识。并且用户可以通过图像样本训练和交互式学习与整个框 架模型产生互动，随时对现有领域知识进行补充和学习。 2.本文提出了一种采用特征组合挖掘文本图像的方法，适用于多种文本图 像，如场景文本图像、标题文本图像和文档图像。自然的文本场景图像含有重要 的语义信息，如街道名称、机构、商店、路标和交通信号等。新闻视频中的标题 文本通常解释了所发生事件

  3. 所属分类：教育

    • 发布日期：2011-11-19
    • 文件大小：3145728
    • 提供者：yuanzeye

  1. OpenCV训练分类器Adaboost__使用方法

  2. 目标检测方法最初由Paul Viola [Viola01]提出，并由Rainer Lienhart [Lienhart02]对这一方法进行了改善。该方法的基本步骤为： 首先，利用样本（大约几百幅样本图片）的 harr 特征进行分类器训练，得到一个级联的boosted分类器。 分类器中的"级联"是指最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器， 这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。 分类器训练完以后，

  3. 所属分类：C++

    • 发布日期：2013-12-13
    • 文件大小：114688
    • 提供者：buwan86658

  1. Tesseract-OCR字符识别---样本训练.zip

  2. http://blog.csdn.net/firehood_/article/details/8433077 本人参考这篇博客练习样本训练，整理了这些材料，材料中包括以下这些tesseract-ocr-setup-3.01-1.rar：tesseract-ocr-setup-3.01-1.exe安装包、jTessBoxEditor-1.0.zip 样本训练编辑工具、example:原始材料、read.txt：操作步骤。

  3. 所属分类：Java

    • 发布日期：2014-06-09
    • 文件大小：8388608
    • 提供者：xiao88xin

  1. opencv自建人脸库

  2. 这是我在学习opencv自建的人脸库，108张正样本，400张负样本，包含正样本和负样本的描述文件，按照描述文件的绝对路径新建文件夹，可以直接运行即可，但是因为样本数量少，所以识别精度低，不过对于自己学习训练样本的步骤足够了，值得一试.

  3. 所属分类：其它

    • 发布日期：2015-03-12
    • 文件大小：761856
    • 提供者：ding977921830

  1. Adaboost样本训练步骤

  2. 详细说明了使用Adaboost进行样本训练的训练步骤，按照步骤操作可实现该训练

  3. 所属分类：C++

    • 发布日期：2018-04-13
    • 文件大小：929792
    • 提供者：yuanbin198759

  1. Tesseract-OCR tessdata eng.traineddata OCR识别训练数据文件

  2. 新版Tesseract-OCR tessdata eng.traineddata OCR识别训练数据文件 可自己训练. 1. 样本图片准备 2. 打开 jTessBoxEditor ，选择 Tools -> Merge TIFF，打开对话框，选择训练样本所在文件夹，并选中所有要参与训练的样本图片 3 弹出保存对话框，还是选择在当前路径下保存，文件命名为ty.cp.exp6.tif 4. tesseract ty.cp.exp6.tif ty.cp.exp6 -l ty batch.noc

  3. 所属分类：机器学习

    • 发布日期：2018-05-30
    • 文件大小：20971520
    • 提供者：xiao899

  1. 文字识别Tesseract-OCR tessdata eng.traineddata OCR识别训练数据文件

  2. 1. 样本图片准备 2. 打开 jTessBoxEditor ，选择 Tools -> Merge TIFF，打开对话框，选择训练样本所在文件夹，并选中所有要参与训练的样本图片 3 弹出保存对话框，还是选择在当前路径下保存，文件命名为ty.cp.exp6.tif 4. tesseract ty.cp.exp6.tif ty.cp.exp6 -l ty batch.nochop makebox 5. 打开 jTessBoxEditor ，点击 Box Editor -> Open ，

  3. 所属分类：机器学习

    • 发布日期：2018-05-30
    • 文件大小：32505856
    • 提供者：xiao899

  1. haar特征训练

  2. 如何在opencv中基于haar-like特征训练自己的分类器，并且用该分类器用于模式识别。该过程大致可以分为一下几个大步骤： 1.准备训练样本图片，包括正例及反例样本 2.生成样本描述文件 3.训练样本 4.目标识别

  3. 所属分类：深度学习

    • 发布日期：2018-07-16
    • 文件大小：504832
    • 提供者：yt13yt

  1. HAAR特征训练与图像标注

  2. 如何在opencv中基于haar-like特征训练自己的分类器，并且用该分类器用于模式识别。该过程大致可以分为一下几个大步骤： 1.准备训练样本图片，包括正例及反例样本 2.生成样本描述文件 3.训练样本 4.目标识别

  3. 所属分类：机器学习

    • 发布日期：2018-09-18
    • 文件大小：496640
    • 提供者：yt13yt

  1. 级联训练车牌-part1

  2. Adaboost训练车牌定位.zip-part1 使用Adaboost训练车牌定位介绍了《使用Adaboost训练车牌定位》的前两个 步骤： 1.准备训练样本图片，包括正例及反例样本 2.生成样本描述文件 3.训练样本 4.目标识别

  3. 所属分类：深度学习

    • 发布日期：2019-04-11
    • 文件大小：24117248
    • 提供者：u011463646

  1. 级联训练车牌-part2

  2. Adaboost训练车牌定位.zip-part2 使用Adaboost训练车牌定位介绍了《使用Adaboost训练车牌定位》的前两个 步骤： 1.准备训练样本图片，包括正例及反例样本 2.生成样本描述文件 3.训练样本 4.目标识别

  3. 所属分类：深度学习

    • 发布日期：2019-04-11
    • 文件大小：104857600
    • 提供者：u011463646

  1. 级联训练车牌-part3

  2. Adaboost训练车牌定位.zip-part3 使用Adaboost训练车牌定位介绍了《使用Adaboost训练车牌定位》的前两个 步骤： 1.准备训练样本图片，包括正例及反例样本 2.生成样本描述文件 3.训练样本 4.目标识别

  3. 所属分类：深度学习

    • 发布日期：2019-04-11
    • 文件大小：104857600
    • 提供者：u011463646

  1. tensorflow入门之训练简单的神经网络方法

  2. 这几天开始学tensorflow，先来做一下学习记录 一.神经网络解决问题步骤： 1.提取问题中实体的特征向量作为神经网络的输入。也就是说要对数据集进行特征工程，然后知道每个样本的特征维度，以此来定义输入神经元的个数。 2.定义神经网络的结构，并定义如何从神经网络的输入得到输出。也就是说定义输入层，隐藏层以及输出层。 3.通过训练数据来调整神经网络中的参数取值，这是训练神经网络的过程。一般来说要定义模型的损失函数，以及参数优化的方法，如交叉熵损失函数和梯度下降法调优等。 4.

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：83968
    • 提供者：weixin_38719890

  1. preprocessing_pipeline_chicago:创建要导入的程序包以用于ML管道中的预处理步骤-源码

  2. preprocessing_pipeline_chicago 创建一个包，用于使用混合数据预处理特定的数据集。 通过使用随机森林分类器预测类，保存模型以及对新数据使用腌制版来测试过程。 打包功能 给column_separator一个数据帧，一个目标变量以及带有日期或警钟的特殊列的标识符。 然后，该函数将变量标识为数字或类别变量，不包括特殊列和目标列。 sample_splitter被赋予一个数据帧，一个目标变量，一个子样本值和一​​个测试大小，并将数据分为X和y，进行训练和测试。 打包变

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：1048576
    • 提供者：weixin_42146888

  1. 基于Gabor和2DPCA的单次训练样本人脸识别

  2. 单个训练样本的人脸识别问题是人脸识别领域的一个挑战，因此在训练集中只有一个人的一个样本的情况下，特征提取是提高识别正确率的重要步骤。 Gabor特征和2DPCA降维算法也是有效的特征提取方法，应用于人脸识别和模式分析领域。 但是这两种方法无法结合使用，因为2DPCA需要以2D结构输入数据。 提出了一种基于Gabor和2DPCA的特征提取方法。 利用图像拼接技术将一系列的Gabor子图像转换为图像，然后可以采用2DPCA。 在ORL人脸数据集上的实验结果表明，与其他类似算法相比，该方法具有较高的正

  3. 所属分类：其它

    • 发布日期：2021-03-06
    • 文件大小：271360
    • 提供者：weixin_38640830

  1. caffe-oneclick：只需单击一下即可使用caffe训练自己的数据-源码

  2. caffe一键式训练评估集成开发环境 最近更新2020.07.08 概述 本项目提供一个集成式开发环境，在配好咖啡环境的情况下，立即将准备好的图片放入数据目录下，便可以一键生成lmdb数据文件，均值文件，标注文件和测试评估模型，发现错误样本，部署模型等所有的操作，更难能可贵的是它是跨平台的，可以无缝的在Windos和Linux之间切换。 使用深度学习完成一个特定的任务说明说字符识别，人脸识别等大致可以分为数据准备，定义模型，训练模型，评估模型和部署模型等几个步骤。 配置caffe 现在配置caf

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：58368
    • 提供者：weixin_42178963

  1. 情绪分析：目的是开发一个模型，该模型可以为客户的测试样本提供准确的预测，但没有给出训练样本。 应该通过解析来收集-源码

  2. 情感分析 该项目是分析文本语调/情感分析。 目的是开发一个模型，该模型可以准确预测客户对电子商品的反馈（俄语）。 没有设置修剪。 应该收集它。 项目步骤概述 第一步是使用有关电影评论的给定数据构建模型。 在这一步，我学习了如何分析文本，使用什么度量，分类器及其设置如何更好地应对这一任务。 然后，第二步是商店中商品评论的情绪分析。 该任务分为以下子任务： 真正的在线商店的数据收集/解析 数据处理与清理 模型选择，交叉验证测试 进行算法的交互式演示 文件夹和文件： 与数据收集和模型开发有关的步

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：381952
    • 提供者：weixin_42181545
« 12 3 4 5 6 »