采用OPENCV4 VC++开发。表情识别的思路，首先采用KERAS对7个表情进行训练，得到一个模型。训练的表情网络采用mobileNetV2，正确率91.7%，获得的.h5模型转换为.pb文件。其次，得到模型后，用MTCNN检测人脸，做微调，用OPENCV VC++调用检测后的人脸，预测分类，得到表情种类。

基于CNN卷积神经网络，对Olivetti人脸数据集，实现了小型人脸识别项目，准确率达到85%。 # train_data: 320张，57*47， train_label:320个，1*40 # valid_data: 40张，57*47 ， valid_label:40个，1*40 # test_data: 40张，57*47 ， test_label:40个，1*40

人脸识别 利用opencv + keras + python实现人脸识别系统 代码结构 data retreiving -+ | +cut_files.py <-- 删除冗余的训练图片素材 | +get_images.py <-- 获取不同人名对应的图片，并将其保存 | +get_names.py <-- 获取当前女优排名的名字 list | +googl_api.py <-- 通过 Google API 获取图片 |

Keras_TP-GAN TP-GAN的非官方Keras（带有Tensorflow）的重新实现，“超越面部旋转：用于真实感和身份保留正面视图合成的全局和局部感知GAN” 该代码的主要部分是参考作者的官方纯Tensorflow实现来实现的。 原纸是 Huang R，Zhang，S.，Li T.，＆He，R.（2017年）。 除面部旋转之外：全局和局部感知可用于实现真实感和身份保留的正面视图合成。 arXiv预印本arXiv：1704.04086。 当前结果 目前，概括性不如作者的结果。 如果您对此实现有任何评论，请给我发电子邮件。 我很高兴一起讨论。 输入 综合的 GT 这4张图像的主题包含在训练数据集中，但照明度有所不同。 图书馆版本 的Python：3.6.3 Tensorflow：1.5.0 凯拉斯：2.1.3 GPU：GeForce GTX 1080 Ti（单个）

keras-fcos 这是在keras和Tensorflow上的实现。 该项目基于和 。 感谢您的辛勤工作。 测试 我在Pascal VOC2012 trainval.txt + Pascal VOC2007 train.txt上进行了培训，并在Pascal VOC2007 val.txt上进行了验证。 有用于训练的14041张图像和用于验证的2510张图像。 VOC2007测试的最佳评估结果是（score_threshold = 0.05）： 骨干 行动计划50 资源50 0.6892 resnet101 0.7352 预训练模型在这里。 提取代码：yr8k python3 inference.py通过在此处指定图像路径和模型路径来测试图像。 火车 构建数据集（Pascal VOC，其他类型请参考 ） 下载VOC2007和VOC2012，将所有图像文件从VOC2007

启用可审计自主性的神经回路政策 神经回路策略（NCPs）是基于LTC神经元和突触模型设计的稀疏循环神经网络，受到神经的神经系统的启发。 本页描述了NCP的Keras（TensorFlow 2.0软件包）参考实现。 有关论文的再现性材料，请参见。 安装 要求： Python 3.6 TensorFlow 2.0 （可选）PyTorch 1.7 pip install keras-ncp 2021年1月更新：添加了实验性PyTorch支持 随着keras-ncp 2.0版，添加了实验性PyTorch支持。 下面的文件夹和一个Colab笔记本中有一个有关如何使用PyTorch绑定的。 请注意，

emnist：使用卷积神经网络对EMNIST数字进行分类

纵向分割 移动设备的实时自动深度抠图 人像分割是指从背景中分割人的过程。 在这里，我们使用语义分割的概念来预测图像中每个像素的标签（密集预测）。 此技术广泛用于计算机视觉应用程序，例如移动设备上的背景替换和背景模糊。 在这里，我们将自己限制为二进制类（人物或背景），并且仅使用纯净的肖像自拍照图像进行抠图。 我们对以下架构进行了实验，以为移动设备实现实时人像分割模型。 移动Unet DeeplabV3 + 棱镜网 肖像网 超薄网 网络 使用标准（和自定义）肖像数据集对模型进行了训练，并借助标准评估指标和基准测试工具对模型的性能进行了比较。 最后，使用流行的嵌入式（移动）机器学习平台进行实

主要介绍了解决TensorFlow调用Keras库函数存在的问题，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

利用Keras高级神经网络实现商品销量的预测.pdf