动作识别研究 该存储库包含用于动作识别的6种代表性2D和3D方法的一般实现，包括I3D [1]，ResNet3D [2]，S3D [3]，R（2 + 1）D [4]，TSN [5]和TAM [ 6]。 这些代码用于我们对动作识别的分析。 陈春福（Richard）Chen *，Rameswar Panda *，Kandan Ramakrishnan，Rogerio Feris，John Cohn，Aude Oliva和Fanquanfu *，“对基于CNN的时空表示进行动作识别的深入分析”。 *：均摊 如果您使用此仓库中的代码和模型，请引用我们的工作。 谢谢！ @inproceedings{chen2020deep, title={Deep Analysis of CNN-based Spatio-temporal Representations for Action Recog

提出了一种基于二维码匹配的指针式仪表读数识别方法.该方法先实时采集高质量的仪表状态图像，同时获取二维码定位点信息以及与二维码相连接的数据库中存储的仪表类型信息，再根据二维码定位点信息对仪表图像进行快速倾斜校正，并利用二维码与仪表之间先验的几何位置关系快速提取图像中表盘所在的区域，最后根据获取的仪表类型信息，选择对应的仪表读数识别算法，以实现快速准确地识别仪表读数.实验结果表明：该方法能有效提高指针式仪表读数识别的准确率，尤其是对于复杂背景的仪表图像，该方法可用于电力系统中刻度均匀的指针仪表识别.

深入研究了流行的目标识别方法YOLOv3，将Inception模块融入其特征提取网络darknet-53中，从而得到新网络darknet-139。相比YOLOv3特征提取网络，新网络具有更好的特征提取能力。采集并制作算法所需的数据集，分别在YOLOv3和本文算法上进行训练并测试。实验结果表明，相比YOLOv3，本文算法的平均识别率提升了约2%。

针对目前行人重识别技术的缺点，提出一种基于Siamese网络的行人重识别方法.首先使用Dropout算法对卷积神经网络进行改良，降低发生过拟合问题的概率；而后构造一个Siamese网络，将CNN （Convolution Neural Network）中特征提取和检验相融合，提高图像识别的效率和准确率；最后利用度量学习算法中的马氏距离作为检索图像匹配相似度的评价指标.实验结果表明：针对Market-1501数据集，该方法可以有效提高采用卷积神经网络的行人重识别方法识别效率和准确率.

为提高掌纹图像识别率,首先利用手掌的几何轮廓对所采集到的掌纹图像进行预处理,进行分割得到感兴趣的区域。再利用小波变换对掌纹图像分别进行多层分解,进而提取小波特征。最后利用BP神经网络进行分类。通过仿真实验表明,与单一的神经网络方法进行掌纹识别相比,这种将小波分析与神经网络相结合的方法收敛步数少、用时短、具有较高的识别率。

基于动力特性的土木工程结构损伤识别方法，谭珂，唐雪松，为了对重要土木工程结构进行损伤检测和评估，充分了解结构的实际状况，在土木工程领域内，利用结构动力特性的改变对损伤进行识别

随着智能手机等移动电子设备的发展，基于MEMS加速度传感器的手势识别成为移动设备人机交互的研究热点。由于准确率及实时性的限制，目前的手势识别方法仍不足以推向实用。针对这一问题，提出了一种简单有效的手势识别方法：在手势定义阶段根据语义及操作的相似性将10个手势分为4个类别，通过提取反映各类手势运动学特征的加速度特征量，利用决策树分类器对手势进行预分类，然后根据各类手势的加速度变化规律识别具体的手势；同时通过严格的特征量阈值，有效地去除了元意识的误动作。该方法在15位实验者中获得了95．2％的平均准确率，识别

基于LVQ神经网络的汽车行驶工况在线识别方法 ，王跃飞，夏敬保，针对汽车行驶工况在线识别问题，本文选取了6种典型道路工况作为工况识别的初始样本，对每一种典型道路工况进行分块以对识别样本�

中国象棋棋子定位采用的传统图像处理方法，复杂度高；识别棋子采用的传统文字识别方法，泛化性较差、精确度较低。提出一种基于棋子颜色特征的分割方法和改进的二值图像滤波算法，实现了棋子的快速定位，不需要二次修正位置；提出一种基于卷积神经网络的棋子识别方法，该方法可以应用于不同字体的棋子识别，在更换棋子的情况下，依然可以快速、准确地识别棋子。实验结果表明，该方法的定位误差为0.51 mm，平均定位时间0.212 s，对4类字体的平均棋子识别准确率为98.59%左右，证实了该方法的有效性和实用性。

实验中所使用的样本来自点火实验中所拍摄的现场图片以及网络上森林火灾的相关图片。训练集中有 968 张森林背景图片，946 张复杂的森林火灾图片;测试集中有80 张森林背景图片，102 张复杂的森林火灾图片。训练集与测试集每一张图片均不重复。      针对森林火灾的特点，提出并设计一种基于卷积神经网络的森林火灾图像识别方法。通过实验，给出用于复杂背景下森林火灾识别的卷积神经网络结构，并对该结构进行训练和测试。结果表明，该方法具备较高的正确率，正确率达到 95% 。同时网络可自动提取特征，无需对输入图像进行复杂预处理，克服了传统算法许多固有的缺点，将其应用在森林火灾识别领域取得了很好的效果。最后，我们结合flaks框架构建了一个森林大火识别的API，在该系统下，我们通过后端调用模型，在页面中选择上传的图片，便可获得预测结果。