openpose官方预训练的caffe模型文件-附件资源

本教程提供了将所构造的TensorFlow深度学习模型，转化为caffe模型的代码与详解。 先构建TensorFlow模型，然后调pywrap_tensorflow将读入的TensorFlow模型，转换为caffe模型。 主要是构建网络，然后生成网络的checkpoint，最后转换成caffe所定义的结构。 代码与教程为主。

Caffe官方教程中译本，由CaffeCN社区众大伽翻译。 你绝对值得拥有！

监控视频中的道路事故检测 北京大学团队2018 Road_Accident数据集上监视视频（ ）的真实世界异常检测的实现和修改版本。 数据集 道路事故数据集包含796个* .mp4格式的视频（330正常，366异常，100测试）。 数据集链接：正在更新 C3D提取器：使用3D卷积网络学习时空特征（ ）。 使用Google Colab（）提取视频的C3D功能 按照笔记本中的说明提取视频功能。 训练 检查此笔记本以查看文档以及培训/测试过程。 Keras 1.1.0 Theano 0.9.0 的Python 3 可视化结果 Django Web应用程序。 有关更多详细信息，请参见目录。 档案结构 文件/目录 说明 提取C3D视频功能 Python，Matlab通用脚本 测试视频的Groudtruth批注 用于建立C3D Caffe模型的配置文件 训练/测试代码 Jupyter

caffe一键式训练评估集成开发环境 最近更新2020.07.08 概述 本项目提供一个集成式开发环境，在配好咖啡环境的情况下，立即将准备好的图片放入数据目录下，便可以一键生成lmdb数据文件，均值文件，标注文件和测试评估模型，发现错误样本，部署模型等所有的操作，更难能可贵的是它是跨平台的，可以无缝的在Windos和Linux之间切换。 使用深度学习完成一个特定的任务说明说字符识别，人脸识别等大致可以分为数据准备，定义模型，训练模型，评估模型和部署模型等几个步骤。 配置caffe 现在配置caffe非常方便，仅需几行命令即可搞定，确保安装了所需的依赖，这里仅摘录最关键的部分，其余的详细内容可参见参考链接。 视窗 ::为了减少日后不必要的麻烦，建议VS2015,Cuda8.0,cudnn5.1及以上,python2.7 git clone https://github.com/BVLC/c

caffe例子中需要的验证文件

自带upsample层的caffe包，适合进行darknet2caffe转换

尖峰神经网络转换工具箱 SNN转换工具箱（SNN-TB）是一个框架，可将基于速率的人工神经网络转换为尖峰神经网络，并使用各种峰值编码来运行它们。 SNN-TB的一个独特功能是，它接受来自许多不同的深度学习库（Keras / TF，pytorch等）的输入模型，并为多个后端提供接口以进行仿真（pyNN，brian2等）或部署（SpiNNaker，Loihi）。 请参考以获取完整的用户指南和API参考。 另请参阅随附的文章和 。

深度学习，rcnn（文章及代码） Fast R-CNN, a clean and fast framework for object detection. Compared to traditional R-CNN, and its accelerated version SPPnet, Fast R-CNN trains networks using a multi-task loss in a single training stage.

matlab的egde源代码R-FCN的Caffe分支 这是Caffe支持的一个分支，已在Windows（Windows 7、8，Server 2012 R2）和Linux（Ubuntu 14.04）下进行了测试。 Linux安装 预建步骤 将Makefile.config.example复制到Makefile.config 我们需要修改Makefile.config来指定一些软件PATHS，您可以查看my以供参考。 CUDA 下载CUDA Toolkit 7.5 。 Matlab的 取消注释MATLAB_DIR并相应地设置MATLAB_DIR以构建Caffe Matlab包装器。 支持Matlab 2014a和更高版本。 cuDNN（可选） 要使用NVIDIA专有的cuDNN软件进行cuDNN加速，请在Makefile.config中取消注释USE_CUDNN := 1开关。 cuDNN有时但并非总是比Caffe的GPU加速快。 下载cuDNN v3或cuDNN v4 。 然后将下载的zip解压缩到$ CUDA_PATH（通常为/ usr / local / cuda / inclu