汉字识别 Pytorch实现中文手写汉字识别 环境 的Ubuntu的：16.04 的Python：3.5.2 PyTorch：1.0.1 gpu 数据集 将数据分为训练和测试文件夹。 在每个文件夹中，将相同类别的图像放在相同的子文件夹中，并用整数标记它们。 像这样： 在这个项目中，我们使用来自 ， 的数据集。 也可以使用以下方法下载它： wget http://www.nlpr.ia.ac.cn/databases/download/feature_data/HWDB1.1trn_gnt.zip wget http://www.nlpr.ia.ac.cn/databases/download/feature_data/HWDB1.1tst_gnt.zip 该数据集总共包含3755个类。 为了处理它，我们使用来自的python程序。 该博客还使用TensorFlow实现了该数据集

CLUENER细粒度命名实体识别 更多细节请参考我们的： : 数据类别： 数据分为10个标签类别，分别为: 地址（address），书名（book），公司（company），游戏（game），政府（government），电影（movie），姓名（name），组织机构（organization），职位（position），景点（scene） 标签类别定义和注释规则： 地址（address）: **省**市**区**街**号，**路，**街道，**村等（如单独出现也标记）。地址是标记尽量完全的, 标记到最细。 书名（book）: 小说，杂志，习题集，教科书，教辅，地图册，食谱，书店里能买到的一类书籍，包含电子书。 公司（company）: **公司，**集团，**银行（央行，中国人民银行除外，二者属于政府机构）, 如：新东方，包含新华网/中国军网等。 游戏（game）: 常见的游戏，注意

Speech Emotion Recognition 用 LSTM、CNN、SVM、MLP 进行语音情感识别，Keras 实现。 改进了特征提取方式，识别准确率提高到了 80% 左右。原来的版本的存档在 。 | 中文文档   Environments Python 3.6.7 Keras 2.2.4   Structure ├── models/ // 模型实现 │   ├── common.py // 所有模型的基类 │   ├── dnn // 神经网络模型 │   │ ├── dnn.py // 所有神经网络模型的基类 │   │ ├── cnn.py // CNN │   │ └── lstm.py // LSTM │   └── ml.py

暴力识别数据集 一些战斗和正常的视频 我从ucf_crime，格斗类别和普通类别中剪切了一些视频，从ucf_crime / Fighting和ucf_crime / Normal_Videos_event文件夹中剪切了一些普通视频。 有很多简短的视频（大约1-3秒），我不记得他们来自哪里..如果我违反了您的劳动成果，请与我联系，抱歉并感谢您。 共有436个样本。 总共有312573帧。 样本 关联： 提取码：83gh 结尾 谢谢你的星星

使用cv进行人脸识别，cv嵌入到PyQt中。包含功能为：人脸特征录入、人脸识别。并提供单独程序用于调试，程序后续可继续进行优化。

视觉识别的瓶颈变压器 实验 模型 参数（M） 累积（％） ResNet50基线（） 23.5百万 93.62 BoTNet-50 1880万 95.11％ BoTNet-S1-50 1880万 95.67％ 僵尸网络-S1-59 2750万 95.98％ BoTNet-S1-77 4490万 ip 概括 用法（示例） 模型 from model import Model model = ResNet50 ( num_classes = 1000 , resolution = ( 224 , 224 )) x = torch . randn ([ 2 , 3 , 224 , 224 ]) print ( model ( x ). size ()) 模块 from model import MHSA resolution = 14 mhsa = MHSA ( plan

跳跃手势识别 使用Leap Motion控制器识别和学习手势的应用程序。 加利福尼亚州立大学北岭分校计算机科学理学硕士项目： ：

python语音识别基础，基于KNN的语音分类器。含有训练语音范例。利用DTW算法提取语音mfcc谱距离，使用sklearn进行建模。支持文件读取识别以及录音识别。

MicroNet Improving Image Recognition With Extremely Low FLOPs

颜色分类leetcode 交通标志识别 语境 在这个项目中，我将解释如何构建一个深度学习模型来识别交通标志。 它旨在成为一种学习体验，对于我自己和其他喜欢在这里学习的人来说，我将专注于实践方面。 我将描述我自己构建这个模型的经验并分享源代码。 这适合那些已经了解 Python 和机器学习基础知识，但想要亲身体验并练习构建真实应用程序的人。 在这一部分中，我将解释图像分类，并将使模型尽可能简单，涵盖卷积网络、数据增强和对象检测。 项目的问题陈述和目标 我在这里使用的数据集是德国交通标志基准，是在 2011 年国际神经网络联合会议 (IJCNN) 上举行的多类、单图像分类挑战。 交通标志检测是一个高度相关的计算机视觉问题，是汽车等行业中许多应用的基础。交通标志可以在颜色、形状以及象形图或象形图的存在方面提供各种类别之间的广泛变化。文本。 在这个项目中，我将开发一种深度学习算法，该算法将对德国交通标志图像进行训练，然后对未标记的交通标志进行分类。 深度学习模型将使用 tensorflow 构建，我们还将了解使用 OpenCV 预处理图像的各种方法，并使用云 GPU 服务提供商。 该项目的细分