情感极性CoreML演示 使用CoreML框架进行情感极性分析的演示应用程序。 模型 是使用 python软件包从转换而来的。 该模型基于分类器，能够区分具有最佳CV分数= 0.801013024602的正面和负面句子。 使用数据集对产品和服务进行了培训。 通过使用进行特征提取可以提高准确性，但是目前不支持此功能。 要求 Xcode 9 iOS 11 安装 git clone https://github.com/cocoa-ai/SentimentCoreMLDemo.git cd SentimentCoreMLDemo open SentimentPolarity.xcodeproj/

Unity Shader双面材质，使用Cull Off方法，更多关于双面材质的问题可参考测博客https://blog.csdn.net/qq_43505432/article/details/109735723

基于卷积神经网络的表情识别

这是经过qt5.8+opencv3.2+opencv_contrib-3.2.0编译过的第三方库。qt可以直接使用，无需再次编译。另外，还附带了opencv的扩展模块，丰富多样。文件中是下载地址和使用说明，不会的可以评论留言

基于神经网络捏脸 推论 1. Unity-2019.2.1f1 2. python-3.5 3. dlib-19.18 4. numpy-1.15.4 5. torch-1.1.0 6. opencv-contrib-python 3.4.0.12 7. tqdm-4.23.4 8. argparse-1.4.0 9. scipy-1.0.1 10. tensorboardX 论文 网易的研究者提出了一种游戏角色自动创建方法，利用面对面的转换快速创建游戏角色，用户还可以自行基于模型结果再次进行修改，直到得到自己满意的人物。此项目按照里的描述建立。 引擎预览 ：Unity，点击

进行人脸检测时，需要读取deploy.prototxt文件，在Github上使用RAW的方式下载已经行不通了，这是使用SVN下载的face_detector文件夹

FaceIDLight :blue_book:描述 一个基于轻量级人脸识别的工具箱和管道，基于带有MTCNN-Face-Detection和ArcFace-Face-Recognition的Tensorflow-Lite。无需安装完整的tensorflow，tflite-runtime就足够了。所有工具仅使用CPU。 拉请求是欢迎的！ :high_voltage:特征 在线人脸识别 完全在CPU上运行 多面 MacBookPro2015上约4 FPS 面部检测，验证和识别工具 :check_mark_button:待办事项 GPU支持 取决于分辨率的模型选择 多线程多面 退出时，OpenCV窗口在MacOS上冻结（似乎已修复） :bowl_with_spoon:要求 其他软件包（包含在FaceIDLight中） 设置工具〜= 51.0.0 opencv的python〜 = 4.5.1.48 numpy〜= 1.19.5 tqdm〜= 4.59.0 scikit图像〜= 0.18.1

张量流 人脸检测MTCNN算法，采用tensorflow框架编写，从理解到训练，中文注释完全，含测试和训练，支持摄像头，代码参考 ，相应地减少了尺寸和优化。 模型理解 是目前比较流行的人脸检测方法，通过人脸检测可以进行更精准的人脸识别。模型主要通过PNet，RNet，ONet三个网络级联，一步一步精调来对人脸进行更准确的检测。论文中的模型图如下： 接下来我会从我在训练中的理解来解释MTCNN模型都干了什么。三个模型要按顺序训练，首先是PNet，然后RNet，最后ONet。 PNet： PNet是全卷积网络，主要为了应对不同输入尺度，层数很浅，主要作用是重新多的把人脸框都选进来，宁愿错误拿来好

运行download_weights.py时无法自动下载DNN（opencv）人脸检测模型。所以单独到网站上历经千辛万苦下载得到。

主要为大家详细介绍了face++与python实现人脸识别签到（考勤）功能，具有一定的参考价值，感兴趣的小伙伴们可以参考一下