OCR_TIANCHI_ICPR 用法： 从下载训练有素的模型。 在single_ctpn中运行text_detector.ipynb。 样品： 结果： $锚点：（x1，y1，x2，y2，x3，y3，x4，y4）$每个文本区域的$将存储在结果文件夹中，其中txt文件的名称是相应的图像文件。

含有MATLAB界面，通过摄像头直接获取视频数据，通过交互式界面获得入侵物体。

object_detection_hog_svm 使用HOG和SVM进行目标检测，主要代码来源于，可直接参考该仓库，本仓库仅仅为了自己的理解对文中代码进行阅读，后期加入定制的目标检测方法以及数据集。 基本思路 训练过程 准备一个数据集，包含pos（存在检测物体）和neg（不存在检测物体），这个数据集中的图像大小相同，比如（40, 100）高度x宽度，那么使用HOG检测子对数据集检测HOG特征，pos标记为正例样本，neg标记为负例样本，输入到SVM分类起进行训练，得到分类模型。 测试过程 输入一张图像，使用图像金字塔对图像进行下采样，每一个octave的图像进行滑窗操作，滑窗大小与训练数据集中的图像大小相同，比如（40, 100）高度x宽度，每一次滑窗后的图像提取HOG特征子，输入训练好的SVM分类器中进行预测，如果检测结果为正例样本，即pos存在检测物体，那么记录该检测结果，detect

yolov3.pytorch 该存储库用于对象检测。该算法基于实现的。多亏了和，基于他们的工作，我在PyTorch中重新实现了YOLO v3，以实现更好的可读性和可重复使用性。 消息 完整版本的更新日志可以在问题看到 （2018/10/10）支持VOC数据集培训。 环境环境 Python 3.6 PyTorch 0.4.1 CUDA（不支持CPU） pycocoapi 火车 如何在COCO上训练 下载数据集和注释，并在config.py提供您下载的数据集的完整路径，如下所示'coco' : { 'train_imgs' : '/home/data/coco/2017/train2017' , 'train_anno' : '/home/data/coco/2017/annotations/instances_train2017.json' } 在ImageNet下载官

MAIS202 2020年秋季最终项目：假新闻检测器 抽象的 这是麦吉尔MAIS202的最终项目。 该项目的目标是对任何新闻产生“真实”或“伪造”分类。 提出并实现的算法是经典的朴素贝叶斯算法。 另外，我已经实现了广泛的自然语言预处理，使用了诸如“停用词去除”和“词义化”之类的方法来提高分类的准确性。 通过对多项式算法进行网格搜索并实现最佳参数，测试精度达到了97％。 储存库结构 该存储库包含2个文件夹和2个文件：。 派力宝 可交付成果1 数据选择提案.pdf 交付品2 Deliverable2.ipynb Delivearble2.pdf 可交付成果3 Deliverable3.ipynb 交付品3.pdf 可交付成果4 Deliverable4.ipynb 资料集 Fake.csv True.csv 最终项目 pycache的 环保 范本 fake.html r

本文对虚假新闻的检测进行了综述。我们的调查介绍了自动识别假新闻的挑战。我们系统地回顾了为这项任务所开发的数据集和NLP解决方案。我们还讨论了这些数据集和问题公式的限制、我们的见解和建议的解决方案。

假新闻检测器 建立一个模型来识别不可靠的新闻文章。 贡献者： Hutaf R. Aljohani，Abdullah Almokainzi，Arwa Ashi

假新闻检测系统 提议的系统分为多个阶段，以根据数据挖掘操​​作领域（例如数据收集，数据预处理，特征提取，特征选择和机器学习模型的实现）完全隔离工作，以进行将新闻分类为是非的预测并预测新闻属于预测标签的概率。 实施了许多机器学习模型，并根据准确性，f1得分，准确性和召回率等指标对机器学习模型的性能进行了比较。 评估模型性能的主要决定指标被选为f1得分，其中考虑了精度和召回率之间的折衷。 在对以下机器学习模型（SVM，逻辑回归，朴素贝叶斯和随机森林）进行了训练和调整之后，实施了投票分类器，将上述所有模型组合在一起，形成了一个集成分类器，该分类器使用所有这些分类器来预测标签和分类概率并使用软投票方法做出最终预测。 建议的系统步骤： 数据收集：为了实施和测试所建议的系统，使用了William Yang Wang []的“说谎者，说谎者裤子着火：用于虚假新闻检测的新基准数据集”。 该存储库中

在此上签出应用 介绍 您是否相信从社交媒体听到的所有新闻？ 所有新闻都不真实，对吧？ 那么，您将如何检测到假新闻？ 我们将使用多项朴素贝叶斯方法将从新闻链接中删除的新闻分类为伪造或真实。 数据 我们将用于此python项目的数据集-我们将其称为news.csv。 该数据集的形状为7796×4。 第一列标识新闻，第二列和第三列分别是标题和文本，第四列具有标签，指示新闻是REAL还是FAKE。 数据集可以从下载 项目结构 该项目包括四个主要部分： fake_news_detection.py-这包含我们的机器学习模型的代码以对模型进行分类 app.py-包含Flask API，它们通过GUI或API调用接收新闻URL，从URL中提取文章，将其提供给模型并返回预测。 模板-此文件夹包含HTML模板，允许用户输入url并显示新闻是假新闻还是真实新闻。 静态-此文件夹包含CSS文件。 req

脸活体验证是人脸识别过程中重要的一环，主要区分真实的人脸与假脸图像，能够识别通过纸张打印，屏幕翻拍，3D模型等场景的欺骗行为。我们在算法设计阶段，尝试了不同的方法，包括SVM，LBP，深度学习等，针对单一场景或者摄像头，能够获得不错的效果，但是没有得到一个能够兼容多种摄像头的活体算法，我们将我们训练的其中一个模型开放出来，逆光等情况下效果不是很好，可以作为参考。 依赖 基于mobilenet-0.5 OpenCV 3.4.3以上 MTCNN人脸检测 凯拉斯，TF Python3 运行 python src / demo.py