基于yolov5+opencv学生课堂学习状态识别检测源码(带GUI界面)+训练好的模型+数据集+评估指标曲线+操作说明.zip 【备注】主要针对正在做毕设的同学和需要项目实战的深度学习cv图像识别模式识别方向学习者。 也可作为课程设计、期末大作业。包含：项目源码、训练好的模型、项目操作说明等，该项目可直接作为毕设使用。 也可以用来学习、参考、借鉴。如果基础不错，在此代码上做修改，训练其他模型。

基于传统图像处理方法实现手指静脉识别Matlab源码99.56%准确率+项目操作说明（毕设项目）.zip 【项目介绍】 本项目实现手指图像的处理和匹配算法，需要处理的数据是本人不同手指的图像，首先经过图像处理，使得指静脉的纹理增强凸显处理，然后将所有的这些图像进行相互间的匹配，检验类内和类间的匹配度，观察其是否能够明显区分开来，并据此计算正确率。 在本项目中，由于是基于算法原型的研究，因此我们选用了操作便捷的Matlab R2019b软件作为运行环境，在Windows 10 Pro for Workstation操作系统中实现算法。 图像预处理过程中，需要增强图像，提取手指区域，为识别做准备。拟采用CLAHE、直方图均衡、二值化等算法，以达到增强图像的效果；拟采用边缘检测算法实现手指的识别和提取 图像的特征提取和匹配过程中，拟采用两类不同的方法。一是局部不变特征提取算法。这些算法具有检测图像中的特征点，并对特征点的局部区域进行描述和匹配的功能。二是针对二值化图像的模板匹配，检测其匹配度。 SIFT——正确率93.625%

全国学生资助管理信息系统录入操作说明

面部表情动作迁移+唇形同步Jupyter源码(需安装docker，附演示视频)+操作说明.zip 面部表情动作迁移+唇形同步Jupyter源码(需安装docker，附演示视频)+操作说明.zip 面部表情动作迁移+唇形同步Jupyter源码(需安装docker，附演示视频)+操作说明.zip 假设你已经熟悉 docker 并且已经正确安装 docker，执行以下步骤，开箱即用(浏览器输入：http://localhost:8899) # 1. pull image & run container ./start_dev.sh # 2. 进入 container 运行时环境 docker exec -it dev bash # 3. 启动 notebook ./start_jupyterlab.sh 在浏览器中打开 jupyterlab http://localhost:8899

基于pytorch的中国交通警察指挥手势识别项目源码+训练好的模型+数据集+项目操作说明.zip 识别8种中国交通警察指挥手势的Pytorch深度学习项目 带训练好的模型以及数据集 下载模型参数文件checkpoint和生成的骨架generated 放置在: ctpgr-pytorch/checkpoints ctpgr-pytorch/generated 下载交警手势数据集（必选） 交警手势数据集下载： 放置在： (用户文件夹)/PoliceGestureLong (用户文件夹)/AI_challenger_keypoint # 用户文件夹 在 Windows下是'C:\Users\(用户名)'，在Linux下是 '/home/(用户名)' 安装Pytorch和其它依赖： # Python 3.8.5 conda install pytorch torchvision torchaudio cudatoolkit=10.2 -c pytorch conda install ujson pip install visdom opencv-python imgaug

基于Tensorflow的手势识别+数据集+项目操作说明(期末大作业).zip 资源包含10种手势数据集 包含训练模型的代码和预测代码，可自己训练模型。 人工智能课程期末大作业，导师指导，项目小组已评优，可放心下载使用借鉴！

二维码信息采集系统——纳税人端操作说明-二维码信息采集

Fusionzoom ARS亚马逊测评管理系统买家操作说明

医学影像作业 基于医学影像配准+DUNet实现的视网膜血管检测_眼底血管分割源码+数据集+实验报告.zip 图像配准 眼底血管分割实验 详细操作说明 实验报告 【实验思路】 1.图像预处理： 单通道化RGB2Gray 归一化 对比度限制自适应直方图均衡化 伽马校正 2.图像分割成小块patch 3.torch写网络 Unet  - Unet++  4.训练与测试，计算每个小patch的train_loss和dice_score 5.合并图像 6.计算整体测度 【实验结果】 CHASE数据集用cuda训练batchsize为2，网络采用UNet++，轮数epoch=5，测试集结果：avarage Dice: **78.03%**, avarage Accuracy: **96.91%** DRIVE数据集用cpu训练batchsize为8，网络采用UNet，轮数epoch=5，测试集结

基于Mobilenetv2和mobilenetv3算法实现6种风景识别分类系统完整源码(带数据集和模型及操作说明).zip 【资源说明】 1、实现的有Mobilenetv2和Mobilenetv3网络，模型只有Mobilenetv3训练的，v2模型需自己换下网络自己训练，操作简单。 2、资源附有数据集，有各种评估指标曲线，数据增强脚本、数据增强后的截图等，这些都可以放进课程报告或者毕设LW中。 3、可选择修改各种损失函数（已实现），激活函数，学习率、训练迭代次数、图像输入大小等参数自定义。 4、使用的是pytorch框架。 【备注】 主要针对正在做毕设的同学和需要项目实战的深度学习cv图像识别模式识别方向学习者。 也可作为课程设计、期末大作业。包含：项目源码、训练好的模型、项目操作说明等，该项目可直接作为毕设使用。 也可以用来学习、参考、借鉴。如果基础不错，在此代码上做修改，训练其他模型。