人脸检测经典论文 Radpid Object Detection using a Boosted Cascade of Simple Features 阅读笔记
2022-03-10 17:20:41 738KB 人脸检测
1
随机傅立叶特征 该存储库提供Python模块rfflearn ,该模块是用于内核方法的随机傅立叶特征[1,2]的库,如支持向量机和高斯过程模型。 该模块的功能包括: 模块的接口非常接近 , 支持向量分类器和高斯进程回归器/分类器,提供CPU / GPU训练和推理, 与接口,可更轻松地进行超参数调整, 该存储库提供了,该显示RFF对于实际的机器学习任务很有用。 现在,此模块支持以下方法: 方法 CPU支援 GPU支持 典型相关分析 rfflearn.cpu.RFFCCA -- 高斯过程回归 rfflearn.cpu.RFFGPR rfflearn.gpu.RFFGPR 高斯过程分类 rfflearn.cpu.RFFGPC rfflearn.gpu.RFFGPC 主成分分析 rfflearn.cpu.RFFPCA rfflearn.gpu.RFFPCA 回归 rff
1
心电图功能 一个用于从单导ECG波形中提取各种功能的库。 这些功能分为三个主要类别:(1)模板功能,(2)RR间隔功能和(3)全波形功能。 该存储库包含我们用于提交的特征提取代码。 数据集 在,要求参赛者建立一个模型来将单导联ECG波形分类为正常窦性心律,房颤,其他心律或嘈杂。 该数据集由AliveCor捐赠的12,186个ECG波形组成。 患者使用三代单通道ECG设备之一获取数据。 记录波形的平均时间为30秒,最短的波形为9秒,最长的波形为61秒。 下图显示了每个节奏类别和采集设备的。 下载培训数据集: 左:AliveCor手持式ECG采集设备。 右:每个节奏类别的心电图记录示例,Goodfellow等。 (2018)。 刊物 Goodfellow,SD,A.Goodwin,R.Greer,PC Laussen,M.Mazwi和D.Eytan(2018),使用逐步机器学习的心房颤动
2022-02-26 15:16:12 439KB Python
1
转到JupyterLab的定义扩展 在JupyterLab笔记本和文件编辑器中跳转到变量或函数的定义。 使用Alt +单击可使用鼠标跳至定义,或使用Ctrl + Alt + B键盘专用。 您可以将鼠标键的键修改器从Alt替换为设置中的Control , Shift , Meta或AltGraph (请参见下面的备注)。 要跳回到变量/函数用法,请使用Alt + o 。 该插件与语言无关,尽管已针对Python和R优化。可以支持其他语言(欢迎PR)。 跳转到其他文件中的定义 Python: alt单击Python中模块的名称(例如, from xy import z -alt单击x或
2022-02-22 23:17:58 349KB python r binder ide-features
1
利用深度神经网络学习的特征进行多类轴承故障分类 该存储库包含提交给的论文的代码,该论文使用已学习的数据驱动功能进行故障诊断。 无需手动计算特征,而是通过深度神经网络从数据中学习特征。 然后将这些学习到的功能与SVM一起用于故障分类。 还提出了一种解释数据驱动功能的经验方法。 该论文已被接受并将出现在会议记录中。 数据: 我们使用公开可用的。 该数据集实际上是为预后应用准备的。 但是,我们将其用于故障诊断任务。 我们考虑四种故障类型:正常故障,内部故障,外部故障和球形故障。 原始数据是在几个月内收集的,直到其中一个轴承发生故障。 因此,对于正常情况,我们已在实验开始时收集了数据。 同样,对于错误情况,我们已在实验结束时获取了数据,该数据更接近发生错误的时间点。 我们实验中使用的文件的详细信息可以在下面找到。 提取后,包含原始数据的压缩文件提供了三个文件夹:1st_test,2nd_tes
1
功能性能评估数据集 “标准”数据集的集合,用于评估计算机视觉中的视觉特征。 收集自: “ Vgg牛津大学” @ _ KAZE论文中引用的数据集“ Iguazu功能” @ “汉诺威” @
2022-01-24 09:41:17 154.06MB
1
Fluent_2022_R1 Beta_Features_Manual
2022-01-19 21:01:58 38.34MB Fluent_2022_R1 Beta Features Manual
TFRecord作为tensorflow中广泛使用的数据格式,它跨平台,省空间,效率高。因为 Tensorflow开发者众多,统一训练时数据的文件格式是一件很有意义的事情,也有助于降低学习成本和迁移成本。 但是TFRecord数据是二进制格式,没法直接查看。因此,如何能够方便的查看TFRecord格式和数据,就显得尤为重要了。 为什么需要查看TFReocrd数据?首先我们先看下常规的写入和读取TFRecord数据的关键过程。 # 1. 写入过程 # 一张图片,我写入了其内容,label,长和宽几个信息 tf_example = tf.train.Example( features=t
2022-01-11 17:42:19 68KB c ec OR
1
本文提出了行人检测的新的特征,在现有的行人检测中效果较好,可以参考
2022-01-07 19:28:48 2.19MB Pedestrian Detection
1
CNN可视化工具:用于深度卷积神经网络中的单元可视化的工具包 介绍 该存储库包含用于可视化深CNN内的单元(或称为神经元或卷积过滤器)的代码和结果。 一些代码已用于深度场景CNN中出现的物体检测器》。 您可以将此工具包与天真的一起使用,并可以将其编译为matcaffe和pycaffe或 。 该工具包包含以下功能: (新!)PyTorch脚本: pytorch_extract_feature.py :用于为任何给定图像在CNN模型的选定层提取CNN特征的代码。 pytorch_generate_unitsegments.py :用于生成所选层上所有单元的可视化的代码。 Matlab脚本: extract_features.m :用于为任何给定图像提取所选层上的CNN激活的代码。 generate_unitsegments.m :用于生成选定层中所有单元的可视化的代码。 unit
2021-12-30 15:51:53 11.67MB visualization cnn cnn-features C
1