每个预测的关键点由像素索引空间中的（x，y）实值对指定。有15个关键点，它们代表面部的以下元素：left_eye_center，right_eye_center，left_eye_inner_corner，left_eye_outer_corner，right_eye_inner_corner，right_eye_outer_corner，left_eyebrow_inner_end，left_eyebrow_outer_end，right_eyebrow_inner_end，right_eyebrow_corner_top_head_head_left_eye_lip_top_center，这里的左右是指主体的观点。在某些示例中，某些目标关键点位置丢失了（编码为csv中的丢失条目，即两个逗号之间没有任何内容）。输入图像在数据文件的最后一个字段中给出，并由像素列表（按行排序）组成，以（0,255）中的整数表示。图像为96x96像素。资料档案training.csv：训练7049张图像的列表。每行包含15个关键点的（x，y）坐标，以及图像数据作为按行排序的像素列表。test.csv：1783个测试图像列表。每行包含ImageId和图像数据作为按行排序的像素列表SubmittingFileFormat.csv：预测的27124个关键点列表。每行包含一个RowId，ImageId，FeatureName，Location。FeatureName是“ left_eye_center_x”，“ right_eyebrow_outer_end_y”等。位置是您需要预测的。

YOLACT实时实例细分 介绍 这是ICCV2019接受的论文的Tensorflow 2实现。 本文在扩展现有对象检测体系结构及其自身并行原型生成思想的基础上，提出了一种用于实际实例分割的全卷积模型。 在此回购中，我的目标是提供一种使用此模型的通用方法，让用户根据原始论文的想法，为自己的特定需求提供更多灵活的选项（自定义数据集，不同的主干选择，锚点规模和学习率进度表）。 [更新] 2021/03/23请认真处理此工作！ 模型 这是原始纸上的YOLACT的插图。 A.数据集和预处理 1.准备COCO 2017 TFRecord数据集 / / 从注释中将/train2017 ， /val2017和/annotations/instances_train2017.json和/annotations/instances_val2017.json提取到./data文件夹中，然后运行： pyth

使用深度学习检测疟疾 :mosquito: :microbe: 参与者的Hack 2020是一项计划，可帮助学生利用OPEN SOURCE成长。 HakinCodes的这项倡议通过为各种各样的OPEN SOURCE项目做出贡献以及与导师和组织团队进行互动的机会，为您提供了一个最佳平台，以提高您的技能和能力。 :pushpin: 介绍 该机器学习Web应用程序利用两层卷积神经网络来处理细胞图像，并以近95％的准确度预测它们是否为疟疾。 用于处理深度学习算法的来自美国国家医学图书馆的官方NIH网站，该网站是来自疟疾筛查研究活动的稀薄血液涂片图像中分段细胞的存储库。 :bullseye: 项目目的 在疟疾不再流行的地方（例如在美国），医疗保健提供者可能对该疾病不熟悉。 看到疟疾患者的临床医生可能会忘记在潜在的诊断中考虑疟疾，而不订购所需的诊断测试。 实验室工作人员可能缺乏疟疾经验，并且在显微镜下检查血液涂片时无法发现寄生虫。 疟疾是一种急性发热性疾病。

瑕疵检测代码-matlab 使用可变自动编码器-VAE进行异常检测 在化学材料，衣物和食品材料等的运输检查中，有必要检测正常产品中的缺陷和杂质。 在以下链接中，我共享了仅使用图像进行训练的，使用CAE来检测和定位异常的代码。 在此演示中，您可以学习如何将变式自动编码器（VAE）应用于此任务而不是CAE。 VAE使用潜在空间上的概率分布，并从该分布中采样以生成新​​数据。 要求 MATLAB版本应为R2019b及更高版本 用法 EN_VAE_Anomalydetection.mlx ・显示如何用英语训练VAE模型的示例 JP_VAE_Anomalydetection.mlx ・显示如何用日语训练VAE模型的示例 参考 自动编码变数贝叶斯[2013] Diederik P Kingma，Max Welling 版权所有2019-2020 The MathWorks，Inc.

为内窥镜伪影检测和分割 (EAD2020) 挑战提出的框架的实施 - 检测任务 挑战： : 我们的方法在人工制品检测任务中排名。 首先，最好阅读论文以了解一般框架： 可以在获取已安装 PyTorch 和 Detectron2 环境的 Docker 映像 本工作中使用的对象检测模型（Faster RCNN、Cascade RCNN 和 RetinaNet）基于构建 Ensemble and Test Time Augmentation改编自 对于引用，请使用以下 BibTeX 条目 @inproceedings { polat2020endoscopic , title = { Endoscopic Artefact Detection with Ensemble of Deep Neural Networks and False Positive Elimination.

脑电提取均值信号特征的matlab代码用于癫痫发作检测的脑电图特征工程 该 repo 记录了癫痫发作检测任务中最具挑战性的部分 EEG 特征工程的 MATLAB 代码。 这些 EEG 特征已被 Citation 中已发表的论文所使用。 脑电特征域 功能编号 特征域 描述 1-4 基本统计 平均振幅、标准振幅、过零次数、振幅范围 5-16 光谱分析 每个频段的功率比和绝对功率，alpha、beta、theta、delta、gamma 和 freq 质心，总功率 17-28 时频域 离散小波变换（DWT）在六个频段上系数的均值和标准差 29-31 非线性特征 ApEn、LZ 复杂度、Hurst 指数 32-43 时空域 六个频段和大脑区域的锁相值 44-47 同步测量（带频移/频移） 时域和频域中的动态扭曲 48-62 复杂网络特征 从时间和频率不变网络中提取的特征 功能 1-47 参考； 功能 48-62 对 . 基于这项工作的博士论文在 . 脑电特征提取首先，通过以下方式下载此 repo： git clone git@github.com:ieeeWang/EEG-feature-se

配套csdn博客https://blog.csdn.net/WANGWUSHAN/article/details/118422175，适应性修改可直接应用于VOC数据集 相对坐标（cls,x,y,w,h）下的数据增强。

糖尿病_视网膜病变_检测 使用Pytorch检测糖尿病性视网膜病变 关于数据集 数据集包含左眼和右眼的图像。 可以在这里找到更多信息： : 数据预处理 由于图像有噪点，因此我通过裁剪图像将其删除，同时也存在类不平衡问题，因此我通过数据扩充将其删除。 关于实施 在这里，我在Kaggle数据集上实现了糖尿病性视网膜病变检测，该存储库中有两种实现方式： 1.二进制分类： 在bin_retinet.py中，该模型可以预测一个人是否患有糖尿病性视网膜病。 2.多类分类： 模型在multi_retinet.py中预测一个人是否患有：0-无DR 1-轻度2-中等3-严重4-增殖性DR

任务4：智能汽车的大型弱监督声音事件检测 协调员 本杰明·埃里扎德（Benjamin Elizalde），伊曼纽尔·文森特（Emmanuel Vincent），比克莎·拉吉（Bhiksha Raj） 数据准备，注释 Ankit Shah（ ），Benjamin Elizalde（ ） 注释，基线和子任务的度量 Rohan Badlani（ ），Benjamin Elizalde（ ），Ankit Shah（ ） 指数 直接下载开发和评估套件的音频 用于下载任务4的开发数据的脚本 评估任务4的脚本-子任务A（音频标记）和子任务B Strong Label的测试注释 1.直接下载用于开发和评估集的音频 评估集的注释尚未发布。 可以通过向Ankit Shah（ ）或Benjamin Elizalde（ ）发送请求电子邮件来共享密码。 （Psswd培训文件：DCASE_2017_

Covid-19_Detection_Using_Chest_X-Ray_Images 项目链接-https: 通过胸部X射线图像诊断COVID疾病的深度学习项目。 这是Flask Web GUI的一些屏幕截图。 在该项目中，DenseNet121体系结构用于图像分类，并实现了99％的准确度。 这是模型分类报告和混淆矩阵