摘要： [TOC] > RNN（递归神经网络）：前一时刻的特征会对后一时刻产生影响（前一次得到的结果保留，与后一层一起输入）。LSTM网络是RNN的一种变种，相较于RNN他可以过滤掉中间没必要的特征，可以有效地解决RNN的梯度爆炸或者消失问题。 **步骤：** - 本文通过LSTM网络实现对新闻标题进行10 阅读全文

摘要： [TOC] > 本项目通过训练数据6552条，验证数据818条，通过迁移学习ResNet经典网络架构，实现对102种花的照片进行分类。流程：利用torchvision库中transforms模块进行数据的增强和预处理；然后调用torchvision库中的ResNet经典网络架构，用人家训练好的权重参 阅读全文

摘要： 本文基于PyTorch，搭建了神经网络，实现了对气温的预测。 (1)读入数据 features = pd.read_csv('temps.csv')#其中共348条数据，每条数据有9个特征 (2)预处理数据 处理时间数据 # 处理时间数据，方便操作 import datetime # 分别得到年，月 阅读全文

摘要： 初识pytorch,本文基于pytorch构建最基本的神经网络，实现线性回归模型。 (1)构造一组输入数据X和其对应的标签y x_values = [i for i in range(11)] x_train = np.array(x_values, dtype=np.float32)#np.arr 阅读全文

摘要： 本文基于OpenCV并利用dlib工具包，通过实时计算EAR值来统计眨眼次数实现了疲劳检测。 步骤： 首先对对检测到的人脸进行关键点定位并锁定眼睛部分的关键点，然后，对视频的每一帧图像用实时计算的EAR值来统计眨眼次数。 (1)锁定眼睛部分关键点 detector = dlib.get_fronta 阅读全文

摘要： 本文基于OpenCV并利用dlib工具包实现了对传入图像的人脸关键点定位。 步骤： 首先需要对传入图像进行预处理操作，其次，利用dlib工具包对整张图像进行人脸检测，然后，对检测到的每一个人脸框利用dlib官方训练好的工具包:shape_predictor_68_face_landmarks.dat 阅读全文

摘要： 本文使用dlib库以及Caffe训练好的SSD模块对短视频流中的人进行目标追踪，并使用多线程进行优化。 步骤： 首先需要加载SSD分类标签并读取网络模型，其次，对视频流进行预处理操作，然后，基于第一帧检测人并绘制相对位置的框，接着，使用dlib来进行目标追踪，最后，后面的每一帧根据第一帧检测到的人物 阅读全文

摘要： 本文利用OpenCV已有的七种目标追踪算法，通过对传入视频中感兴趣的目标对象进行框选，实现实时追踪框选对象。 步骤： 首先需要配置相应参数并创建MultiTracker对象，其次，读取并处理视频的每一帧，接着，框选ROI区域，然后，给MultiTracker对象添加实际的追踪算法，最后，对每一帧进行 阅读全文

摘要： 本文使用OpenCV加载深度学习模型，实现了对传入的单张图像或多张图像进行预测。 步骤： 首先读入Caffe框架训练好的模型，然后对输入图像进行预处理操作，并将其传入已构建的网络模型，最后对得到的预测结果进行排序，找到概率最大的，通过标签文件得到最终预测的结果并进行输出展示。 1.单张图像 (1)构 阅读全文

摘要： 本文基于OpenCV实现了捕获答题卡中的每个填涂选项，并将获取的填涂选项与正确选项做对比计算其答题正确率。所涉及的图像操作有：灰度转换、高斯去噪、边缘检测、轮廓检测、透视变换、掩模操作。 步骤： 首先需要对输入的原始图像进行灰度转换、高斯去噪；然后进行轮廓检测，通过遍历拿到最大的轮廓也就是答题卡的部 阅读全文