MVision机器视觉机器视觉 感谢支持 无人驾驶的各个方面知识 1. 感知（Perception）： 主要涉及的技术点包括场景理解、交通状况分析、路面检测、空间检测、 障碍物检测、行人检测、路沿检测、车道检测。还有一个比较新颖有趣的是通过胎压去检测道路质量。 在无人驾驶行业，有一套通用的数据集——KITTI数据集，里面有不同的数据，包括双目视觉的数据、定位导航的数据等。 物体检测（Object Detection）： 传统方法主要是针对固定物体的检测。一般的方法是HOG（ 方向梯度直方图），然后再加一个SVM的分类器。 而对于动

此项目是基于python_opencv的开源项目，采用cnn网络进行训练模型，完成俯卧撑，蹲起，引体向上的计数运动，专门设计UI界面方便使用者来使用，希望大家多多支持！！！！

安装xgboost失败时所需的插件，具体安装教程请见我发布的博客

cnn源码matlab SVHN-deep-cnn-digit-detector 该项目在自然场景中实现了 deep-cnn-detector（和识别器）。 我使用 keras 框架和 opencv 库来构建检测器。 该检测器使用 CNN 分类器为 MSER 算法提出的区域确定数字与否。 先决条件 Python 2.7 keras 1.2.2 opencv 2.4.11 张量流-GPU == 1.0.1 等等。 运行这个项目所需的所有包的列表可以在 . Python环境 我建议您创建和使用独立于您的项目的 anaconda 环境。 您可以按照以下简单步骤为该项目创建 anaconda env。 使用以下命令行创建 anaconda env： $ conda env create -f digit_detector.yml 激活环境$ source activate digit_detector 在这个环境中运行项目 用法 数字检测器的构建过程如下： 0. 下载数据集 下载 train.tar.gz 并解压文件。 1.加载训练样本（1_sample_loader.py） Svhn 以 m

此文为读Mask RCNN源码过程中的随笔，很“流水账”，我想价值在于对照着源码把每个步骤的“输入”、“输出”张量的维度标注了一下，会有助于对整体代码的理解。可能有些错误或遗漏，希望发现者指正，以期共同进步。 源码：https://github.com/matterport/Mask_RCNN 训练部分 模型输入： input_image (batch_size, height, width, channels) #默认(2, 1024, 1024, 3) input_image_meta (batch_size, 1 + 3 + 3 + 4 + 1 + config.NUM_CLASSES)

car-board-reg 基于CNN的车牌号识别 博客链接 【CNN——基于CNN的车牌号识别】 数据集介绍 车牌构成 为简化实验，在该实验中默认车牌字符已经得到划分，因此车牌识别可以分解为三个区域的字符识别任务（多分类任务），共实现7个字符的识别。 例如：京A·F0236 其中第一部分 京 表示车牌所在的省市,后面紧跟的A是发牌单位,间隔符·后面的5个字符就是序号。 省市Province： ("皖", "沪", "津", "渝", "冀", "晋", "蒙", "辽", "吉", "黑", "苏", "浙", "京", "闽", "赣", "鲁", "豫", "鄂", "湘", "粤", "桂", "琼", "川", "贵", "云", "藏", "陕", "甘", "青", "宁", "新") 发牌单位Area： ("A","B","C","D","E","F","G","H","

简单，可扩展，值得继续研究的方向，可进行对比实验

自然语言处理——刘洋1、判断题（每题1分，共10道）基本都是一些概念，比如汉语是不是曲折语，知识图谱的节点和边表示什么之类的2、选择题（每题2分，共5道）（1）

本文对2019年10月更新的CNN综述文章《A Survey of the Recent Architectures of Deep Convolutional Neural Networks》进行了翻译，对大家全面了解CNN架构进展有所帮助。

pytorch以图搜图通过cnn模型提取特征建立-附件资源