iris_classification_BPNeuralNetwork 本文用Python实现了BP神经网络分类算法，根据鸢尾花的4个特征，实现3种鸢尾花的分类。 算法参考文章： iris_data_classification_bpnn_V1.py 需使用 bpnn_V1数据集 文件夹中的数据 iris_data_classification_bpnn_V2.py 需使用 bpnn_V2数据集 文件夹中的数据 iris_data_classification_knn.py 需使用 原始数据集 文件夹中的数据 iris_data_cluster_sklearn.py 需使用 sklearn数据集 文件夹中的数据 不同数据集里数据都是一样的，只是为了程序使用方便而做了一些格式的变动。 2020.07.21更新： 增加了分类结果可视化result_visualiza

face_detection_and_recognition face++,百度ai,虹软,face_recognition 实现人脸检测 人脸识别 里面有face++,百度ai,虹软,face_recognition四个文件夹，其中除了face_recognition是python免费的一个库安装好响应的库直接运行就好，另外三个需要填入相关申请的信息id和key。 分别对应着相应的人脸检测和人脸识别模块。 face++ 做的人脸识别应该是我目前接触到的效果最好的了。这家公司也是个独角兽，专门做人脸识别这块的，返回的照片的信息很全，也好调用。不过只提供在线的，不提供离线sdk没法做一些实时性的东西。 博客 百度AI 我感觉百度是BAT三家里面AI能力最强的了，在图像和语音的处理上面是很强的，很全面。百度AI里面功能齐全，提供的语言也是很多。唯一不太好的是目前对python3不是很支持，还是

使用卡尔曼滤波器在夜间环境中进行车道检测 自动驾驶计算机视觉技术的一个重要里程碑是在道路上寻找车道标记。 在这里，我们描述了在夜间环境中检测车道的过程。 挑战性 ·低光强度·难以调整各种光强度的参数·边缘检测不良·阴影，突然的高强度汽车大灯 我们的方法 这些步骤中描述了我们的方法： 我们对每个视频帧执行伽玛校正以设置光强度 从图像中裁剪出“感兴趣的区域”，因此我们只能在ROI部分上查找泳道。 它有助于降低计算成本并提高fps。 应用双边滤波器消除噪声并平滑视频帧，但保留边缘。 应用HSV滤镜为固定范围内的像素创建蒙版 经过这些预处理（伽玛校正和滤波）后，我们使用Canny边缘检测器检测边缘。 之后，霍夫变换用于使用上一步中的边缘检测线。 检测到的线使用DBSCAN进行聚类，因为我们只希望跨车道的线。 卡尔曼滤波用于更好的车道检测。 在这里，我们为车道的聚集线应用了线性估计器，以

聚变 FusionGAN的代码，用于红外和可见光图像融合的GAN模型 有关算法的详细信息，请参阅我们的以下论文： 马佳宜，于伟，梁鹏伟，李昌和江俊军。 “ FusionGAN：用于红外和可见图像融合的生成对抗网络”，信息融合，第48期，第11-26页，2019年8月。

CNN_LeNet-5_onedimension 关于如何将CNN与一维信号一起使用

RobotLearningCode matlab code for robot learning 我的个人博客： 个人博客都是代码对应的笔记，欢迎大家关注~

YOLOV4：You Only Look Once目标检测模型-修改mobilenet系列主干网络-在Keras当中的实现 2021年2月8日更新： 加入letterbox_image的选项，关闭letterbox_image后网络的map一般可以得到提升。 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12 VOC-Test07 416x416 - 66.29 VOC07+12 VOC-Test07 416x416 - 80.18 VOC07+12 VOC-Test07 416x416 - 79.72 VOC07+12 VOC-Test07 416x416 - 78.45 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 注意事项 提供的四个训练好的权重分别是基于mobilenet

超级LPR

RabbitMQ C AMQP客户端库 介绍 这是C语言AMQP客户端库，可与代理的v2.0 +一起使用。 有关该库的公告会定期在rabbitmq-c用户上发布，并交叉发布到rabbitmq-users。 最新稳定版 可以在以下位置找到rabbitmq-c的最新稳定版本： 文献资料 v0.8.0 +的API文档可以从以下位置查看： 入门 建造和安装 先决条件： AC编译器（已测试GCC 4.4 +，clang和MSVC。其他编译器也可以工作） 可选的 v1.1.1 +，以支持通过SSL / TLS连接到RabbitMQ （可选）选择以构建一些方便的命令行工具。 （可选） 为方便的命令行工具构建手册页 可选地来构建开发人员API文档。 将源文件从tarball下载并解压缩到目录（）后，在大多数系统上构建Rabbitmq-c的命令为： mkdir build && cd bui

AES Advanced Encryption Standard 详细介绍参考博客：《》