人脸检测与追踪 使用CamShift，卡尔曼滤波器，光流的人脸检测和跟踪 客观的 ： 在电影的第一帧中检测面部 使用预训练的Viola-Jones检测器 使用以下方法跟踪电影中的脸部： CAMShift 粒子过滤器 人脸检测器+卡尔曼滤波器（总是运行kf.predict（），并在获得新的人脸检测时运行kf.correct（）） 人脸检测器+光流跟踪器（人脸检测器发生故障时，请使用OF跟踪器）。

matlab设置图片分辨率代码 Image attack recognition system based on watermark and convolutional neural networks 0x00 项目相关 项目名称 基于数字水印与卷积神经网络的图像攻击识别系统 项目背景 相关机构公布某些重要信息之后，难免会有一些不法分子别有用心，通过技术手段恶意篡改、攻击一些特殊意义的信息。如果相关人员没有识别出伪造的信息，选择信任了这些虚假的信息，就会造成难以估量的损失。 密码学手段是一种保护信息的方法，但密码学更适合端对端通讯，不适合作为一种面向大众的公开信息真实性的验证方式。而数字水印作为信息发布者认证信息的一种方式，提取数字水印更加适合让公众去检验信息来源的可靠性。 假设信息发布机构将水印嵌入在面向公众的信息中，公开的信息在人们拿到之后，如果需要对信息的真实性验证，就可以使用本产品的水印提取验证功能，了解信息是否真实是原机构发布的。根据提取水印的形变情况，消息的可靠性就可以辨识。获取到真实有效的信息，才能切实为生活带来便利，提高信息传播的水平。 项目简介 本项目结合数字水印技术

乳腺癌检测应用 使用机器学习XGBoost分类器的乳腺癌检测应用程序

跳过ganomaly 该存储库包含以下论文的PyTorch实现：跳过GANomaly：跳过已连接并经过对抗训练的编码器-解码器异常检测 1.目录 2.安装 首先克隆存储库git clone https://github.com/samet-akcay/skip-ganomaly.git 通过conda创建虚拟环境conda create -n skipganomaly python=3.7 激活虚拟环境。 conda activate skipganomaly 安装依赖项。 pip install --user --requirement requirements.txt 3.实验 要在纸上复制CIFAR10数据集的结果，请运行以下命令： # CIFAR sh experiments/run_cifar.sh 4.培训 要列出参数，请运行以下命令： python train.py

道路裂缝检测神经网络 使用 keras 构建的卷积神经网络以 97.5% 的准确率检测道路裂缝。 这个 repo 包含一个 jupyter notebook 文件，用于正确理解图像数据集和模型训练。 #数据集

实时物体检测应用 Web应用程序，用于通过Web浏览器对视频流进行实时对象检测。 安装 创建并激活虚拟环境，如下所示： $ cd cloned/directory/ $ python -m venv env $ env/Scripts/activate 安装并激活环境后，请安装所有依赖项： $ pip install -r requirements.txt 之后，您可以运行以下命令并在浏览器上以访问该应用程序。 $ python application.py 观察：该应用程序仅在Google Chrome上进行了测试。 下载型号 要下载yolov3.weights ，只需运行： $ cd models/ $ python dl-weights.py 用法 摄像头预览：启用和禁用网络摄像头预览。 运行检测模型：启用和禁用检测模型。 曝光：增加或减少相机曝光的按钮停止1。

YOLO宠物 YOLO实时宠物检测和识别 用于使用或测试 从我们的下载经过训练的体重文件，或者自己进行训练。 克隆项目 git clone https://github.com/pjreddie/darknet cd darknet 修改yolo源代码 vim examples/yolo.c 创建一个新的标签字符串数组。 char *pet_names[] = {"Abyssinian", "Bengal", "Birman", "Bombay", "British_Shorthair", "Egyptian_Mau", "Maine_Coon", "Persian", "Ragdoll", "Russian_Blue", "Siamese", "Sphynx", "american_bulldog", "american_pit_bull_terrier", "basset_h

TFT-LCD_defects_detecter-Qt-opencv：基于改进的显着性模型的TFT-LCD缺陷检测器

网络入侵的异常检测 资料资讯 该数据集可以从下载 降维 数据集的PCA维数减少 无监督学习 在无人监督的设置中，训练集的班级标签不可用。 在当前问题中，为了反映实际情况，在训练过程中忽略了真实标签。 因此，无监督分类模型用于预测每个记录的真实标签。 我们训练了隔离林，基于聚类的局部离群因子（CBLOF），主成分分析（PCA）和椭圆形信封。 在现实世界中无监督的问题中，由于缺乏事实依据，企业必须验证预测结果。 但是，在此问题中，预测标签已使用真实标签进行了验证，并且以下结果表明，无监督模型预测了很多正面阳性。 半监督学习 在半监督设置中，给出了一个较大的未标记数据集和一个较小的标记数据集。 目标是在整个数据集上训练分类器，该分类器将预测未标记数据点的标记。 在当前问题中，我们创建了84％的未标记数据和16％的标记数据点。 使用自我训练的半监督学习方法，我们训练了Logistic回归和随机森林

糖尿病视网膜病变竞赛的解决方案 这是Kaggle的竞赛，您的任务是将每个人的眼部检查分类为5种不同程度的糖尿病导致的疾病。 这是我用来处理原始图像的代码的存储库，即卷积神经网络模型（使用keras构建）。 它主要基于论坛中提供的一个基准。 执行以下步骤： 仅使用普通图像处理到256X256，未使用其他方式调整颜色等。 通过增加1、2、3和4类来平衡不同类的图片。 使用过的VGG风格架构，使用开普勒K20c GPU，以10个时期进行训练，批量大小为32。 它运行约2天。 由于输出是有序的（疾病的阶段），因此不作为分类问题运行，而是作为回归问题运行。 将原始输出转换为疾病阶段标签。 天真的，我们可以转换到接近阶段。 但是，根据原始数据集的比例对原始分数进行排名会产生更好的Kappa分数。 最后，该模型在私有数据集上得出的Kappa为0.38，由于辍学，该结果在公共得分上接近0.3