耳朵检测 用于在图片上检测人耳的算法的Python实现

统一手势识别和指尖检测 同时用于手势识别和指尖检测的统一卷积神经网络（CNN）算法。 所提出的算法使用单个网络预测一次手指类别分类的概率和指尖位置输出以进行回归评估。 根据手指类别的概率，可以识别手势，并使用这两个信息对指尖进行定位。 我们没有直接从CNN的完全连接（FC）层中移出指尖位置，而是从完全卷积网络（FCN）中移出了指尖位置集合，然后采用集合平均来使最终的指尖位置输出回归。 更新 包括robust real-time hand detection using yolo进行的robust real-time hand detection using yolo在检测系统的第一阶段获得更好的平滑性能，并且大多数代码已经过清理和重组，以便于使用。 要获取以前的版本，请访问发布。 要求 TensorFlow-GPU == 1.15.0 凯拉斯== 2.2.4 ImgAug == 0.

如何使用Arduino利用MAX30102脉搏血氧仪进行血氧和体温测量

idw算法matlab代码基于正则化子空间方法和协同表示的高光谱影像异常检测 这是用于高光谱异常检测的 matlab 代码（LSAD-CR-IDW 和 LSUNRSORAD 算法） 有关该项目的更多信息，请参阅我们的论文： 【共同第一作者】 先决条件： matlab R2018b 其他相关论文： [1]tanh坤，苏增福侯，Dongelei马云，虞陈，钱渡。 [J]. 遥感, 2019, 11(13): 1578. [共同第一作者] [2]侯苏增福，李炜，Lianru高，张冰，马Pengge和君临太阳。 (2020) [口头] [3]侯苏增福，李炜，陶然，Pengge马和石蔚华。 [J]. 中国科学信息科学。 2020。 [4] 刘军，侯增福，李伟，冉涛，达尼洛·奥兰多，李洪斌。 [J]. IEEE 神经网络和学习系统汇刊，doi：10.1109/TNNLS.2021.3071026。 [第二作者] 我的个人网站： 1.Github网站： 2.CSDN中文博客： 接触： 电子邮件：

图像标注工具Labelme-linux免安装版

更新 更新22/01/2020您可能有兴趣关注以观看有关计算机视觉，机器学习，深度学习和机器人技术的每周视频。 Deepgaze 2.0的更新16/07/2019稳定版本可分支2.0 。 更新20/03/2019开始在Python / OpenCV 3.0上进行移植，请检查分支2.0以获取初步版本。 更新10/06/2017文章“使用卷积神经网络和自适应梯度方法在野外进行头部姿态估计”的PDF使用可在未来50天内免费下载 更新2017年4月6日，文章“使用卷积神经网络和自适应梯度方法在野外进行头部姿态估计”已在Pattern Recogntion（Elsevier）中接受发表。 Deepgaze CNN头部姿势估计器模块基于此工作。 更新31/05/2017新软件包。 该软件包包含用于显着性检测的算法的实现 更新22/03/2017修复了mask_analysis.py中的一个

Face Detection System matlab实现的人脸识别系统，含有9个源代码文件，及上百幅人脸图片-Face Detection Systemmatlab realize the face recognition system, containing nine source code files, and hundreds of pieces of face image

【物体检测快速入门系列 | 01 】基于Tensorflow2.x Object Detection API构建自定义物体检测器（http://t.csdn.cn/jPCca）博文配套的项目源代码，包含数据集标注，标签映射，标注文件格式转换脚本，训练流水线配置，训练脚本、评估脚本、导出脚本、模型推理脚本，整套自定义物体检测流水线工具链。

Road Sign Detection 路标检测数据集.zip

自然场景图像中的文本检测和识别是计算机视觉问题，长期以来一直是计算机工程师面临的挑战。 深度学习的新进步彻底改变了计算机视觉的世界。 本文尝试建立基于深度学习（DL）的文本检测和识别模型，以解释自然场景图像中的文本。 所提出的模型包括三个阶段，即候选文本区域检测，文本区域提取和文本识别。 首先将自然场景图像馈送到候选文本区域检测机制，该机制提取包含文本字符的潜在区域。 在处理的第一阶段中引入的包含非文本的区域在第二阶段中进行过滤。 然后，第二阶段产生的文本区域集将在最后阶段被识别。 候选文本区域检测中使用了最大稳定极值区域（MSER）算法。 该模型使用了两个卷积神经网络，一个在文本区域提取阶段，另一个在文本识别阶段。 看起来自然场景中的文本检测不是一个容易的问题。 在自然场景图像中检测和识别文本字符的复杂性主要是由于文本字符和自然场景的多样性，各种干扰的存在，不同的照明条件，文本的颜色，大小和区域的不同。 ICDAR-2011，ICDAR-2013，CHARS-74K和CIFAR-100数据集用于训练和验证我们的模型。