利用keras深度学习框架，生成交通标志分类模型h5，转换为tensorflow的深度学习框架pb，在OpenCV中利用dnn调用pb模型并判断交通标志分类

（含实验代码）采用密集连接网络分别从两个方面进行预测，一方面是没有使用K折验证，预测结果不好，另一方面是加入K折验证改进后的结果，最后预测的房价与真实值基本符合。

4种YOLO目标检测的C++和Python两种版本的实现 本程序包含了经典的YOLOv3，YOLOv4，Yolo-Fastest和YOLObile这4种YOLO目标检测的实现， 这4种yolo的.cfg和.weights文件，从百度云盘里下载 链接： 提取码：8kya 下载完成后把下载得到的4个文件夹拷贝到和main_yolo.cpp同一目录下， 只要安装了opencv4.4.0，就可以在windows和linux系统编译并运行main_yolo.cpp

请引用 Nuha、Hilal H.、Adil Balghonaim、Bo Liu、Mohamed Mohandes、Mohamed Deriche 和 Faramarz Fekri。 “用于地震数据压缩的带有极限学习机的深度神经网络。” 阿拉伯科学与工程杂志 45，没有。 3 (2020)：1367-1377。 Kasun、Liyanaarachchi Lekamalage Chamara、Hongming Zhou、Guang-Bin Huang 和 Chi Man Vong。 “使用极限学习机进行大数据的表征学习。” IEEE 智能系统 28，没有。 6 (2013): 31-34。

包含fcn8s-heavy-pascal.caffemodel、fcn8s-heavy-pascal.prototxt、pascal-classes.txt文件 和FCN模型实现图像分割源码、配套图片素材 具体实现效果见CSDN博客“DNN系列5_FCN模型实现图像分割”查看效果

利用opencv-dnn加载YOLO进行目标检测，可以检测输入的图片，也可以利用USB-camera实时检测（目标包括人、汽车、狗等等【COCO数据集】），资源包含源代码和可执行程序（release文件夹下的exe文件可以直接运行测试）【注意：由于.weight文件太大无法一并上传，需要自行下载，下载地址见博客】

OPENCV-dnn+MultiTracker实现视频流的目标识别跟踪算法源代码

基于C++ 和OpenCV的DNN模块，调用darknet训练的检测模型进行检测；调用摄像头对每帧进行检测。

包括环境处理、数据准备Dataset格式、DNN模型、模型训练测试

包含deploy.prototxt、labelmap_det.txt、VGG_ILSVRC2016_SSD_300x300_iter_440000.caffemodel文件 和SSD模型实现对象检测源码、图片素材 具体实现效果见CSDN博客“DNN系列3_SSD模型实现对象检测”