跌倒检测两个流cnn 使用两流卷积神经网络（CNN）和运动历史图像（MHI）进行实时跌倒检测 该存储库包含使用两流CNN的实时跌倒检测模型的代码。 光流被“运动历史图像”（MHI）取代，可以进行实时推断。 utils.py文件包含用于生成数据的实用程序代码，train_model.py文件创建并训练模型，而fall_detection.py文件包含使用FDD数据集上的weights文件夹中的权重运行模型的代码。视频或您的网络摄像头。 有关模型架构，性能以及在不久的将来会出现的演示画面/图片的详细说明。 在生成的数据子集上实现了相当不错的交叉验证错误率。 当前致力于获取更多数据并完善数据生成技术。

小麦品质检测仪2 受启发 描述： 我们正在使用此小麦质量检测测试来确定给定小麦籽粒图像的质量。 我们使用的数据集由提供。 小麦品质检测问题分为以下两个子问题： 两类分类，即健康谷物或其他谷物。 五类分类，即健康谷物，损坏的谷物，异物，破碎的谷物和谷物覆盖物。 我们为上述数据集提取的用于训练的数据集（单粒或其他图像）。 要求： 的OpenCVPython的 凯拉斯 张量流 matplotlib 经过python3.5测试 一目了然 对于两类分类： $ python classifier_2_v2.py 68/68 [==============================] - 0s 499us/step - accuracy: 0.9020 - loss: 0.2475 MLP Test loss: 0.247524231672287 MLP Test acc

边缘检测最经典的文献之一，作者是David Marr和 E. Hildreth

matlab图像分割肿瘤代码使用数字图像处理技术的脑肿瘤分割 该存储库包括用于脑肿瘤分割及其面积计算的源代码。 还提供了测试图像数据库。 下载以下文件。 源代码2.m database.rar 学习成果！ 读取图像 使用大津法的阈值 区域道具 形态运算 图像中质量部分的密度和面积计算 肿瘤分割 抽象的 脑瘤是一种致命的疾病，如果没有MRI无疑是无法确定的。 在这项事业中，试图利用MATLAB重演从MRI图像中识别出患者的大脑是否患有肿瘤。 为了准备MRI图像上的形态学活动，将其调整大小，并使用极限自尊图像将其物理更改为高对比度图像。 该基本通道可能是肿瘤附近的区域。 在此半准备的图片上应用了形态学任务，并获取了可想象区域的强度和区域数据。 从包含肿瘤的各种MRI图像的可测量正常值，可以解析出这两个字符的基本估计值。 那时，它被用来传达最后的定位结果。 尽管这种娱乐程序经常可以带来正确的结果，但是当肿瘤的大小过小或肿瘤为空时它却忽略了执行。 任务的更大目标是从特定人的不同边缘拍摄的MRI图像中构建肿瘤的2D图片信息的信息库，并对其进行检查以引起人们对肿瘤细心的3D区域的注意。 为了满足此

【主要内容】本套系统是深度学习里面实际场景案例，能及时发现行人摔倒，工作人员能及时提供相应的帮助，最大程度减少对于老百姓的伤害，安装环境，提供在免费云gpu上注册及其配置教程，tensorflow13.1 Python3.6 cuda10 里面的word文档有详细介绍。源码是基于平地的人体姿态的跌倒检测，测试效果视频 新的免费云注册地址1：关注公众号绑定微信领取新手任务奖励 https://gpushare.com/auth/register?user=18*****1785&fromId=c4100216220&source=link 新的免费云注册地址2 mistgpu.com/i/238056 word中的apt-get 前面要加sudo 【适合人群】深度学习、人工智能 【质量保障】任何问题私信我

mediapipe-python-sample 示例Python包。 自2021/03/03起，以下6种具有Python实现的功能均可用。 要求 mediapipe 0.8.3或更高版本 OpenCV 3.4.2或更高版本 可以使用pip安装mediapipe。 pip install mediapipe 演示版 这是运行演示的方法。 面网 python sample_facemesh.py - 设备指定相机设备编号默认值：0 - 宽度拍摄相机时的宽度默认值：960 - 高度拍摄相机时的垂直宽度默认值：540 --max_num_hands检测到的最大手数默认值：1 --min_detection_confidence检测置信度阈值默认值：0.5 --min_tracking_confidence跟踪置信度阈值默认值：0.5 --use_brect是否绘制外接

肺癌检测与分割 运行Main.m并选择图像的路径。

信用卡模糊检测kaggle--数据集 背景信息信用卡公司必须能够识别欺诈性的信用卡交易，以免向客户收取未购买商品的费用，这一点很重要。 内容数据集包含欧洲持卡人在2013年9月使用信用卡进行的交易。 该数据集显示了两天内发生的交易，在284,807笔交易中，我们有492起欺诈。 数据集高度不平衡，阳性类别（欺诈）占所有交易的0.172％。 它仅包含数字输入变量，它们是PCA转换的结果。 遗憾的是，由于机密性问题，我们无法提供有关数据的原始功能和更多背景信息。 功能部件V1，V2，...，V28是PCA获得的主要组件，尚未通过PCA转换的唯一功能部件是“时间”和“量”。 功能“时间”包含数据集中每个事务和第一个事务之间经过的秒数。 功能“金额”是交易金额，此功能可用于与示例相关的成本敏感型学习。 特征“类别”是响应变量，在发生欺诈时其值为1，否则为0。 启示识别欺诈性的信用卡交易。

图像矩阵matlab代码Breast_cancer_detection 使用预训练模型对图像进行分类以检测癌细胞 前提条件： Python2.7 MATLAB（LIBSVM） 脾气暴躁的，西皮，斯克莱恩 Tensorflow 1.0 Tflearn BreakHis的数据集位于：Davi Frossard的网页上正在使用VGG-16权重：这是他的干净入门教程： 我们尝试预先训练的网络和分类与从头开始的训练。 方法1：使用预先训练的VGG-16来获取功能。 运行vgg16_cv.py以从BreakHis数据集的每个图像中提取特征。 它将为每个图像在同一文件夹中创建一个功能文件 运行generate_features.py将所有单个要素文件组合为一个要素矩阵（mat文件）。 它还会创建一个单独的目标Mat文件。 运行CV_balancing_code.m处理数据不平衡。 它输出4个文件：训练数据，训练数据目标，测试数据和测试数据目标 使用classifier_code.m和RandomForest_CV.m使用线性SVM，多项式SVM和随机森林对数据进行分类。 方法2：运行alexnet.

Drowsy_Driver_Detection 这是一个实施深度学习概念的项目，可检测驾驶员的睡意并在睡意时发出警报。 它是通过视频中的实时眼动追踪构建的。 使用OpenCV和卷积神经网络进行困倦检测。 要求 Python 2.7 OpenCV 凯拉斯 张量流 西皮 算法 每只眼睛由6个（x，y）坐标表示，从眼睛的左角开始（就像您在看那个人一样），然后沿眼睛的顺时针方向工作。 模型保存为json文件“ model1”，权重保存在“ model.h5”中 数据集 您可以从给定的链接（ ）下载数据集:: =>下载数据集并将其放入名为数据集的文件夹中。数据集包含4个文件夹，即： 左眼 closeRightEyes openLeftEyes openRightEyes 训练数据 python eye_training.py 使用网络摄像头测试睡意 python d