车道检测 OpenCV C ++程序，用于识别和跟踪车道及其相交处。 可用于自动驾驶功能，例如变道，盲点检测，山顶检测，转弯检测和标志识别。 适用于输入视频，图像或实时视频源。 最初目标： 检测车道及其在地平线上的相交点，以便跟踪该点的运动，以确定车辆是否在转弯或正在改变坡度。 示范： 输入视频：派克峰赛道（上，下路） 特征 语言：C ++（OpenCV） IDE：Xcode 信号处理： 坎尼边缘检测仪 霍夫线探测器 坡度和转弯跟踪（不完整） 可定制的投资回报率 要求 OpenCV g++ 视频或图像文件或视频供稿 （可选）xcode以利用随附的项目文件 如何使用 我只在osx上使用它，所以您可能会自己一个人！ brew install opencv 在LaneDetect.cpp设置输入文件的LaneDetect.cpp 在LaneDetect.cpp配置选项 ho

高效率车牌识别源码 利用OPENCV库 包括完成的车牌定位

人类活动识别 在 UCI HAR 数据集上使用 ML 进行人类活动识别

LaTeX OCR win10 用 GPU 加速训练 如何可视化Attention层 致谢 Seq2Seq + Attention + Beam Search。 结构 1. 搭建环境 python3.5 + tensorflow1.12.2 latex (latex 转 pdf) ghostscript (图片处理) magick (pdf 转 png) Linux 一键安装 make install-linux 或 安装本项目依赖 virtualenv env35 --python=python3.5 source env35/bin/activate pip install -r requirements.txt 安装 latex (latex 转 pdf) sudo apt-get install texlive-latex-base sudo apt-get install tex

鱼群中鱼病的自动识别

ActivityRecognitionFlow 对原始数据集进行预处理，窗口划分，特征提取，特征融合，分类识别 数据集：Opportunity Data Set（ 预处理：删除含有缺失数据（"NaN"）或是Locomotion标签为0的数据item 窗口划分：窗口大小64，重叠率50% 特征提取：均值，方差，相关系数，能量 特征融合：LDA（线性判别分析） 分类识别：KNN，LDA

NER-Sequence-labeling--Textcnn-bilstm-crf-pytorch pytorch用Textcnn-bilstm-crf模型实现命名实体识别 数据处理 数据处理文件是'data_preprocess.py' 模型和训练过程 模型和训练过程都在同一个文件中‘cnn-bilistm-crf.py’ 预测 预测文件为‘predict.py’   数据 数据存在data文件夹中

crnn_ctc-centerloss 2020.12.27更新 使用最后一层全连接层输入的功能作为处理对象，即缩小这一功能的类内距离 实现功能和标签的对齐，主要解决了预测重复，预测漏字时的对齐问题（需要tf1.15） 增加对关键指标的计算和追踪，训练过程更直观，方便debug（需要tf1.15） 中心之间的距离 字符距离自己中心，形近字中心的距离 经过训练，字符距离差增大，预测置信度和距离差拥有一定相关性 增加feature的可视化，使用tensorboard的嵌入投影仪，方便调试 # 生成 embedding 图 python -m libs.projector --model=your_model_path --file=your_label_file_path --dir=your_log_dir # 启动 tensorboard tensorboard --logdir=you

手写数字识别 使用 SVM、决策树和随机森林进行手写数字识别 MNIST 数据集已经在 Datasets 文件夹下给出。 svmfile.py 直接在 mnist 数据集上使用 svm。 Decisiontreefile.py 与 mnist 数据集上的决策树一起使用。 randomforestsfile.py 适用于 mnist 数据集上的随机森林。 在源代码中，一些行被注释。 特别是对不太成功的不同内核进行了评论。 您可以取消注释它们以使用不同的内核测试系统。 对于决策树分类，最后绘制决策树。 为了更准确地看到它，请放大，因为决策树有点大。 mnist 数据集的加载器取自： : 其用法： from mnist import MNIST mndata = MNIST('./dir_with_mnist_data_files') mndata.load_training() mn

狗AI :light_bulb: 项目 使用Tensorflow.js和Teachable Machine通过拖放图像来识别100多种狗品种。 训练过程 收集带有一堆图像的数据集 调整大小并缩小所有图像 按品种分开狗图像并重命名所有文件 上载到可教机器 训练模型 导出训练有素的模型 :hammer_and_wrench: 工具 :laptop: 演示版 :rocket: 快速开始 安装 克隆存储库并运行 $ cd dogAI && yarn 用法 $ yarn start 数据集参考 小学：Aditya Khosla，Nityananda Jayadevaprakash，Bangpeng Yao和Li Fei-Fei。 用于细粒度图像分类的新型数据集。 首届细粒度视觉分类（FGVC）研讨会，IEEE计算机视觉和模式识别会议（CVPR），2011年。 中学：J. Deng，W. Dong，R. Socher，L.-J。 Li，K. Li和L. Fei-Fei，Im