dataset：文件夹为手势 0~9 的图片文件 train.csv 和 test.csv：手势 0~9 的 csv 文件 代码压缩包中三个文件： CNN.m：卷积神经网络代码 cnn.mat：保存的卷积神经网络 gesture_recognition.m：手势识别代码（通过修改文件路径对测试数据集中的手势图片进行识别） 该资源的使用请参考本人博客：MATLAB基于卷积神经网络的手势识别

使用stm32f103c8t6实现动态语音指纹密码锁，实现功能有密码解锁，密码修改，指纹解锁；指纹录取与删除；语音提醒；sim短信提醒；动态码解锁，验证码通过短信发送至手机解锁。内有AD接线原理图，也可自己布线画PCB

参与度识别模型 :hugging_face: TensorFlow和TFLearn实现： 敬业度是学习体验质量的关键指标，并且在开发智能教育界面中起着重要作用。 任何此类界面都需要具有识别参与程度的能力，以便做出适当的响应； 但是，现有数据非常少，新数据昂贵且难以获取。 这项工作提出了一种深度学习模型，可通过在进行专门的参与数据训练之前，通过对容易获得的基本面部表情数据进行预训练来改善图像的参与识别，从而克服数据稀疏性挑战。 在两个步骤的第一步中，使用深度学习训练面部表情识别模型以提供丰富的面部表情。 在第二步中，我们使用模型的权重初始化基于深度学习的模型以识别参与度。 我们称其为参与模型。 我们在新的参与度识别数据集上训练了该模型，其中包含4627个参与度和脱离度的样本。 我们发现参与模型优于我们首次应用于参与识别的有效深度学习架构，以及优于使用定向梯度直方图和支持向量机的方法。 参考 :hugging_face: 如果您使用我们的

内容概要： 使用Python实现光学字符识别（OCR）。需要下载pytesseract库，下载对应软件并配置环境变量。 使用人群： Python-OCR实战入门 使用场景及目标： 1. 使用模型识别图像中的文字（中文，英文，中英文）； 2. 可以对代码进一步优化，例如裁剪、增强、旋转……； 3. 可以对导入部分进行优化，例如从摄像头获取照片。

基于python实现的卷积神经网络手写数字识别系统源码（95分以上课程设计）.zip 华中科技大学人工智能与自动化学院 Python课程设计，代码完整下载即用无需修改确保可以运行。 基于python实现的卷积神经网络手写数字识别系统源码（95分以上课程设计）.zip 华中科技大学人工智能与自动化学院 Python课程设计，代码完整下载即用无需修改确保可以运行。基于python实现的卷积神经网络手写数字识别系统源码（95分以上课程设计）.zip 华中科技大学人工智能与自动化学院 Python课程设计，代码完整下载即用无需修改确保可以运行。基于python实现的卷积神经网络手写数字识别系统源码（95分以上课程设计）.zip 华中科技大学人工智能与自动化学院 Python课程设计，代码完整下载即用无需修改确保可以运行。基于python实现的卷积神经网络手写数字识别系统源码（95分以上课程设计）.zip 华中科技大学人工智能与自动化学院 Python课程设计，代码完整下载即用无需修改确保可以运行。基于python实现的卷积神经网络手写数字识别系统源码（95分以上课程设计）.zi

语音信号处理之（四）梅尔频率倒谱系数,语音信号处理之（四）梅尔频率倒谱系数语音信号处理之（四）梅尔频率倒谱系数语音信号处理之（四）梅尔频率倒谱系数语音信号处理之（四）梅尔频率倒谱系数语音信号处理之（四）梅尔频率倒谱系数语音信号处理之（四）梅尔频率倒谱系数语音信号处理之（四）梅尔频率倒谱系数语音信号处理之（四）梅尔频率倒谱系数语音信号处理之（四）梅尔频率倒谱系数语音信号处理之（四）梅尔频率倒谱系数语音信号处理之（四）梅尔频率倒谱系数语音信号处理之（四）梅尔频率倒谱系数语音信号处理之（四）梅尔频率倒谱系数语音信号处理之（四）梅尔频率倒谱系数语音信号处理之（四）梅尔频率倒谱系数语音信号处理之（四）梅尔频率倒谱系数语音信号处理之（四）梅尔频率倒谱系数语音信号处理之（四）梅尔频率倒谱系数语音信号处理之（四）梅尔频率倒谱系数语音信号处理之（四）梅尔频率倒谱系数

服装识别论文

基于深度学习的果蔬图像分割和特征识别研究__水果图像识别论文毕业设计范文.pdf

MATLAB指纹识别GUI

Python基于pytorch深度学习的车型识别系统源码+使用说明 训练模型主要分为五个模块：启动器、自定义数据加载器、网络模型、学习率/损失率调整以及训练可视化。 启动器是项目的入口，通过对启动器参数的设置，可以进行很多灵活的启动方式，下图为部分启动器参数设置。 任何一个深度学习的模型训练都是离不开数据集的，根据多种多样的数据集，我们应该使用一个方式将数据集用一种通用的结构返回，方便网络模型的加载处理。 这里使用了残差网络Resnet-34，代码中还提供了Resnet-18、Resnet-50、Resnet-101以及Resnet-152。残差结构是通过一个快捷连接，极大的减少了参数数量，降低了内存使用。