SCUT HEAD人头检测数据集包含4405张标记了111251个人头的图像。数据集分两部分，第一部分2000张图像源自大学教室的监控视频，第二部分2405张图像爬取自网络，数据集图像中的人头均有边界框和注释。 数据标注经用xmin、ymin、xmax和ymax坐标标记了每个可视头部，并确保注释覆盖整个头部，包括部分，但没有额外的背景。A部分和B部分分为培训和测试部分。数据集遵循Pascal VOC标准

华南理工大学 2018 机试第一题，有需要的同学可以下载

作业实现cnn并用在cifar10上，卷积，padding等部分不需torch实现

课程作业scut

SCUT-FBP5500 数据集发布于 2017 年，包含 5500 个正面人脸，年龄分布位 15 岁至 60 岁。人脸照片包括 2000 亚洲女性，2000 亚洲男性，750 高加索男性和 750 高加索女性。同时，数据来自于数据堂等。每张图由 60 人进行评分，共 5 个等级。这 60 人的年龄分布为 18 到 27 岁，均为年轻人。该数据集适用于基于表现和形状等的模型研究

matlab2016b运行代码PMSM驱动的PUMA560 《自动化创新实践课程》项目 详细说明请参见 运行平台 赢10 matlab2016b 目录结构 pmsm/ - pmsmPara.m # customise your owm PMSM configuration - calPI.m # calculate PI para for simulink model - slx/ - current.slx # test current loop - revelution.slx - postion.slx puma/ - stl/ # mechanical model of each link, which is git cloned from https://github.com/nimasarli/puma560_description - trajectory/ # some code is git from https://github.com/xuuyann/RobotLearningCode - startup_puma.m # the script run befor

美容预测 本文[1]和[2]中介绍的基于SCUT-FBP5500数据集的深度学习方法进行的面部美容预测已在本项目中部分实施。 SCUT-FBP5500数据集共有5500张正面面Kong，这些面Kong具有不同的属性（男性/女性，亚洲人/白种人，年龄）和不同的标签（面部标志，[1，5]内的美女分数，美女分数分布），从而允许使用不同的计算模型具有不同的FBP范例。 此外，在数据集上评估了三个最近提出的具有不同FBP结构的CNN模型，包括AlexNet，ResNet-18和ResNeXt-50，它们通过使用ImageNet数据集上预先训练的网络初始化权重来进行训练。 结果表明，最深的基于CNN的ResNeXt-50模型获得了最佳性能。 为0.8997。 第二篇论文将面部吸引力计算重塑为标签分布学习问题，并提出了端到端吸引力学习框架。 在标准基准SCUT-FBP数据集上进行了广泛的实验，与

这是按照（自己动手写一个操作系统）这书所写的一份报告 欢迎华工计算机学院的师妹们参考.

剪裁FVD SCUT-FVD：手指静脉欺骗/演示文稿攻击数据库 简短信息 SCUT FV演示攻击数据库（以下称为SCUT FVD）用于手指静脉识别的科学研究。 它由华南理工大学自动化科学与工程学院BIP实验室收集。 允许任何一个人或团体免费使用此数据库。 数据分为3个子组，包括： 训练数据（“训练”），用于训练您的反欺骗分类器； 开发数据（“ dev”），用于阈值估计； 测试数据（“ test”），用于报告错误数字； 出现在其中一个数据集（培训，开发或测试）中的客户端不会出现在任何其他数据集中。 文件命名约定 图片标记如下：ID_finger_session_shot_light.bmp， 其中“ ID”代表客户的ID，“手指”的范围从1到6，分别代表右手和左手的食指，中指和无名指，“会话”代表会话号，可以为“ 0”或“ 1” “ shot”代表考虑的射击次数，范围从0到5，“

psenet自己的阅读笔记-SCUT-CTW1500数据弯曲下载链接以及文本标注格式理解-附件资源