本demo是基于anaconda，opencv，tensorflow，keras等的代码实现 需要下载一个训练模型(模型名称为：mask_rcnn_coco.h5)才能跑起来,模型下载路径在本资源的readme.txt里有说明 首先需要安装好requirements.txt里的包，并运行demo.ipynb即可

遮罩R-CNN用于目标检测和分割 这是基于Python 3，Keras和TensorFlow的的实现。 该模型为图像中对象的每个实例生成边界框和分割蒙版。 它基于功能金字塔网络（FPN）和ResNet101主干网。 该存储库包括： 基于FPN和ResNet101构建的Mask R-CNN的源代码。 MS COCO的培训代码 MS COCO的预训练砝码 Jupyter笔记本电脑可在每个步骤可视化检测管线 用于Multi-GPU训练的ParallelModel类 评估MS COCO指标（AP） 在自己的数据集上进行训练的示例 该代码已记录并设计为易于扩展。 如果您在研究中使用它，请考虑参考此存储库。 如果您从事3D视觉工作，您可能会发现我们最近发布的数据集也很有用。 该数据集是由我们的客户捕获的3D重构空间创建的，这些客户同意将其公开提供给学术用途。 您可以看到更多示例。 入门 是最简

DeepFall：3D时空自动编码器，可从隐私保护摄像机中进行跌落检测 该代码由Jacob Nogas在IATSL（ ）担任UofT PEY实习生时开发，在加拿大大学健康网络KITE-Toronto Rehab科学家Shehroz Khan博士的指导下进行。 （感谢您的理解，我们无法为编程问题提供支持） 。 我们将跌倒检测问题表述为异常检测问题，因为跌倒很少发生，并且可能没有足够的数据来训练监督分类器。 为了解决隐私问题，这项工作着重于检测热像仪和深度相机的跌落。 通过训练深度时空自动编码器来检测跌倒，以最大程度地减少日常生活视频帧活动的重构误差。 假设不可见的跌倒的重建误差应该更高，如以下示例GIF所示： 代码用法： 代码库分为两个主要子集 {model} _main_ {train} {model} _main_ {test} 它将分别使用模型{model}执行培训或测试。

目录网盘文件永久链接 1-1 Keras项目实战课程概述.mp4 1-2 简介与安装.mp4 2-1 训练自己的数据集整体流程.mp4 2-2 数据加载与预处理.mp4 2-3 搭建网络模型.mp4 2-4 学习率对结果的影响.mp4 2-5 Drop-out操作.mp4 2-6 权重初始化方法对比.mp4 2-7 初始化标准差对结果的影响.mp4 2-8 正则化对结果的影响.mp4 2-9 加载模型进行测试.mp4 3-1 卷积层构造.mp4 3-2 整体流程.mp4 3-3 BatchNormalization效果.mp4 3-4 参数对比.mp4 3-5 网络测试效果.mp4 4-1 时间序列模型.mp4 4-2 网络结构与参数定义.mp4 4-3 构建LSTM模型.mp4 4-4 训练模型与效果展示.mp4 4-5 多序列预测结果.mp4 4-6 股票数据预测.mp4 4-7 数据预处理.mp4 4-8 预测结果展示.mp4 5-1 文本数据读取预处理.mp4 5-2 基本模型.mp4 5-3 3-Embeeding-layer效果.mp4 5-4 准备词向量数据.......

keras-ocr 模型文件 craft_mlt_25k.h5、craft_mlt_25k.pth、 crnn_kurapan.h5 、crnn_kurapan_notop.h5

基于Tensorflow和Keras实现端到端的不定长中文字符检测和识别源码+检测数据集，已获高分通过项目。内附文档说明等等资料。 数据集： 共约364万张图片，按照99:1划分成训练集和验证集 数据利用中文语料库（新闻 + 文言文），通过字体、大小、灰度、模糊、透视、拉伸等变化随机生成 包含汉字、英文字母、数字和标点共5990个字符 人工智能综合实践课程设计工程项目。 本项目基于文本检测，文本识别算法以及Transformer模型和pyttsx3库实现文本识别到翻译再到输出的任务。 基于Tensorflow和Keras实现端到端的不定长中文字符检测和识别 基于Tensorflow和Keras实现端到端的不定长中文字符检测和识别，已获高分通过项目。内附文档说明等等资料。 人工智能综合实践课程设计工程项目。 本项目基于文本检测，文本识别算法以及Transformer模型和pyttsx3库实现文本识别到翻译再到输出的任务。 基于Tensorflow和Keras实现端到端的不定长中文字符检测和识别

captcha_cracker 简介 这是一个基于 编写的卷积神经网络模型，简单实现的验证码识别功能。 是一款 社区中流行的验证码生成库, 项目模型的训练集以及在线测试所用到的验证码均采用该库生成。 运行环境 Ubuntu16.04 python3.5.2 virtualenv Tensorflow Backend 实现原理 用 Captcha 生成2组每组2000个4位验证码图片（图片尺寸：36×120），并等分成4份(单张图片尺寸：36×30)，将单个字符的图片分类保存在 images 目录中作为训练集（每组8000张图片）。 生成2组每组500个4位验证码图片（图片尺寸：36×120），并等分成4份(单张图片尺寸：36×30)，将单个字符的图片分类保存在 images 目录中作为测试集（每组2000张图片）。 运行 pack_data.py 将图片转为 RGB 矩阵并用cPic

尝试导入 MATLAB 时导致以下警告和错误的 keras 模型 警告：文件“segm_model_v_64.h5”已保存在 Keras 版本“2.4.0”中。 不支持导入高于“2.2.4”的 Keras 版本。 导入的模型可能与保存在 Keras 文件中的模型不完全匹配。 使用 nnet.internal.cnn.keras.ParsedKerasModel 时出错（第 26 行） 断言失败。 nnet.internal.cnn.keras.importKerasNetwork 中的错误（第 23 行） KM = nnet.internal.cnn.keras.ParsedKerasModel（ModelConfig，TrainingConfig）; importKerasNetwork 中的错误（第 91 行） 网络 = nnet.internal.cnn.keras.import

基于keras的深度学习介绍.pdf

keras实现人脸表情识别