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. 基于GTSRB数据集CNN交通标志识别

  2. 基于GTSRB数据集CNN，卷积神经网络交通标志识别

  3. 所属分类：深度学习

    • 发布日期：2017-06-27
    • 文件大小：6144
    • 提供者：u013842516

  1. CNN交通标志识别GTSRB_源码和ppt

  2. 用CNN来进行交通标志识别，是课程作业已完成。数据集是GTSRB,有源码和ppt

  3. 所属分类：深度学习

    • 发布日期：2018-05-28
    • 文件大小：12582912
    • 提供者：qq_40330284

  1. 交通标识牌模型训练c++代码（1）

  2. 交通标识牌模型训练代码，基于gtsrb数据集训练的模型。

  3. 所属分类：机器学习

    • 发布日期：2018-01-23
    • 文件大小：6291456
    • 提供者：it_job

  1. 交通标识牌模型测试代码（2）

  2. 交通标识牌模型测试代码，基于gtsrb数据集测试的模型。

  3. 所属分类：机器学习

    • 发布日期：2018-01-23
    • 文件大小：6291456
    • 提供者：it_job

  1. 不同雾浓度下交通标识牌识别精度c++代码

  2. 不同雾浓度下交通标识牌识别精度c++代码，基于gtsrb数据集。

  3. 所属分类：机器学习

    • 发布日期：2018-01-23
    • 文件大小：6291456
    • 提供者：it_job

  1. gtsrb.torch, 基于 Torch的交通标志识别.zip

  2. gtsrb.torch, 基于 Torch的交通标志识别 gtsrb.torch本文介绍了如何使用 Torch 在 GTSRB数据集上训练卷积神经网络，以及如何用空间转换器层来提高 state-of-the-art 。要求安装 Torch ( 请参见本指南中的 )( 可选) 安装空间

  3. 所属分类：其它

    • 发布日期：2019-09-18
    • 文件大小：1048576
    • 提供者：weixin_38743602

  1. 基于GTSRB数据集CNN交通标志识别

  2. 基于GTSRB数据集CNN，卷积神经网络交通标志识别

  3. 所属分类：深度学习

    • 发布日期：2020-03-02
    • 文件大小：6144
    • 提供者：ruoyun88

  1. 基于GTSRB数据集CNN交通标志识别

  2. 基于GTSRB数据集CNN，卷积神经网络交通标志识别

  3. 所属分类：深度学习

    • 发布日期：2020-01-31
    • 文件大小：6144
    • 提供者：huxuzhan

  1. GTSRB 测试数据png格式

  2. 把GTSRB（德国交通标志数据集），原本是ppm格式，现将其转换为png格式。 一会儿再传训练集。，

  3. 所属分类：机器学习

    • 发布日期：2019-03-23
    • 文件大小：69206016
    • 提供者：weixin_41513917

  1. GTSRB德国交通标志训练集

  2. 由于上传资源大小限制，本资源包括GTSRB德国交通标志训练集，非常适合初次接触深度学习交通识别领域的人进行学习使用。

  3. 所属分类：深度学习

    • 发布日期：2020-06-08
    • 文件大小：275775488
    • 提供者：weixin_41782745

  1. GTSRB_Final_Test_Images.zip

  2. 由于上传资源大小限制，此资源包括GTSRB德国交通数据集测试集，非常适合初次接触深度学习交通识别领域的开发者。

  3. 所属分类：深度学习

    • 发布日期：2020-06-08
    • 文件大小：88080384
    • 提供者：weixin_41782745

  1. hands-on-2021:2021年动手项目会议-源码

  2. 动手2021年 建立模型和接口以对交通标志进行分类（GTSRB数据集） 安装 克隆此存储库 使用“ scr ipts / download_images.sh”下载图像 补充评论 这是一个额外的评论 参考 “数据集简介：”图片： ：

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：149504
    • 提供者：weixin_42116791

  1. 基于摄动法的交通标志识别

  2. 自动交通标志识别（TSR）期望在智能交通系统中的实时应用具有较高的准确性和速度。卷积神经网络（CNN）在公共数据集GTSRB上产生了最先进的性能，但涉及密集型计算。 本文提出了一种利用计算效率高的特征提取和分类技术，并采用扰动策略来提高交通标志识别精度的方法。 在GTSRB数据集上，使用梯度方向直方图，特征和学习矢量量化（LVQ）分类器可达到98.48％的测试准确性。 使用图像平移的简单扰动操作，将精度提高到98.88％。 准确性高于单个CNN，并且速度要高得多。

  3. 所属分类：其它

    • 发布日期：2021-03-03
    • 文件大小：281600
    • 提供者：weixin_38679651

  1. GTSRB数据上的对抗攻击：我们的项目专注于，创建算法，以对神经网络进行对抗攻击，并测试在GTSRB数据集上训练的这些神经网络的强度-源码

  2. GTSRB数据上的敌对攻击 我们的项目专注于创建在神经网络上产生对抗性攻击的算法，并测试在GTSRB数据集上训练的这些神经网络的强度。 在此项目的生命周期中，在三种不同的模型上创建并测试了四种技术。 在我们的第一种方法中，我们创建了一个随机模糊器，它将随机修改像素的RGB值，直到对图像进行错误分类为止。 对于第二种方法，我们在图像上应用了高斯滤波器，并检查了分类错误。 在第三种方法中，我们混合了两个相同类别的图像，然后对它们应用高斯滤波器。 对于第四个也是最后一个方法，我们实现了FGSM方法，该

  3. 所属分类：其它

    • 发布日期：2021-02-17
    • 文件大小：747520
    • 提供者：weixin_42151772

  1. 1百万个交通标志图像分类任务：交通标志图像的应用几何变换-源码

  2. 1百万张图像用于交通标志分类任务 对交通标志图像应用了几何变换 :graduation_cap: 相关课程 很快...加入这里：即将到来... :triangular_flag: 描述 当时有三个主要版本：原始， “轻”和“硬” 。 :link: 数据集本身 在此处探索用于训练自定义分类器的数据集：即将推出... 致谢 初始数据是德国交通标志识别基准（GTSRB）。 麻省理工学院执照 版权所有（c）2020 Valentyn N Sichkar github.com/sichkar-val

  3. 所属分类：其它

    • 发布日期：2021-02-17
    • 文件大小：565248
    • 提供者：weixin_42098759

  1. 基于改进深度卷积神经网络的交通标志识别

  2. 在实际交通环境中, 所采集到的交通标志图像质量往往受到运动模糊、背景干扰、天气条件以及拍摄视角等因素的影响, 这对交通标志自动识别的准确性、实时性和稳健性提出了很大的挑战。为此提出了改进深度卷积神经网络AlexNet的分类识别算法模型, 该模型在传统AlexNet模型基础上, 以真实场景中拍摄的交通标志图像数据集GTSRB为研究对象, 将所有卷积层的卷积核修改为3×3大小, 为了预防和减少过拟合的出现在两个全连接层后加入dropout层, 并且为了提高交通标志识别精度, 在网络模型第5层后增加两

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：6291456
    • 提供者：weixin_38655284

  1. GTSRB-TensorFlow-Lite：基于MobileNet v1构建的用于德国交通标志基准数据集的TensorFlow Lite分类模型-源码

  2. GTSRB TensorFlow Lite 德国交通标志基准数据集的示例TensorFlow Lite分类模型。 创建该项目的目的是展示如何在之上构建卷积神经网络（通过Transfer Learning），并在TensorFlow Lite SDK的移动应用程序中使用卷积神经网络。 有关更多详细信息，请检查： 博客文章： 具有：数据集准备，模型训练和验证，转换为TensorFlow Lite。 数据集： 灵感：

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：13631488
    • 提供者：weixin_42120275

  1. 交通标志识别：具有STN和大量数据增强功能的PyTorch中的交通标志识别（GTSRB）-源码

  2. 交通标志识别 将交通标志图像识别并分类为来自数据集的43类。 该项目是Rob Fergus领导的纽约大学计算机视觉课程的一部分，并作为Kaggle竞赛进行。 该模型是使用带有IDSIA网络修改版本的Spatial Transformer网络设计的，并使用大量增强的数据进行了训练。 该模型在Kaggle排行榜上达到了约99.5％的测试设置精度，远高于人工精度。 该项目的整个开发过程可以在阅读。 数据 从下载培训和测试文件夹 跑步 项目可以通过两种方式运行，即main.ipynb jupyter

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：235520
    • 提供者：weixin_42129970

  1. adversarial.js:在浏览器中破坏神经网络:man_supervillain:-源码

  2. adversarial.js 在浏览器中破坏神经网络。 在浏览器中的交互式交互式演示，全面演示了对神经网络的对抗攻击。 开始使用 执行 adversarial.js完全用Javascr ipt实现-因此它可以完全在您的浏览器中运行。我们依赖TensorFlow.js。 该库支持以下攻击： （L_inf攻击） （L_inf攻击） （L0攻击） （L0攻击） （L2攻击） 该演示可以破坏以下预加载的系统： MNIST（数字识别） GTSRB（路牌识别） CIFAR-10（物体识别，小图像）

  3. 所属分类：其它

    • 发布日期：2021-03-22
    • 文件大小：28311552
    • 提供者：weixin_42106299