Faceswap 一个利用深度学习识别和交换图片与视频中脸部的工具

针对实际交通场景下的车辆目标，应用深度学习目标分类算法中具有代表性的Faster R-CNN框架，结合ImageNet中的车辆数据集，把场景中的目标检测问题转换为目标的二分类问题，进行车辆目标的检测识别。相比传统机器学习目标检测算法，基于深度学习的目标检测算法在检测准确度和执行效率上优势明显。通过本实验结果分析表明，该方法在识别精度以及速度上均取得了显著的提高。

当Microsoft Research发布用于图像识别的深度残差学习时，深度残差网络席卷了深度学习领域。这些网络在ImageNet和COCO 2015竞赛的所有五个主要赛道中均获得了第一名的入围作品，这些竞赛涵盖了图像分类，对象检测和语义分割。此后，ResNets的鲁棒性已被各种视觉识别任务和涉及语音和语言的非视觉任务证明。 压缩包内包含以下参考文档： 1、深度残差学习以进行图像识别— ResNet（Microsoft Research） 2、广泛的残留网络（巴黎埃斯特大学，巴黎高等技术学校） 3、聚集残余转换为深层神经网络- ResNeXt（Facebook的AI研究）

本想浅试一下，结果冠军和奖金都到手了！记一次成功的算法项目实践 开发效率提升60%，详解在极市平台上进行的全流程线上算法开发 手把手教你搞定极市打榜新手任务！ 反光衣识别算法冠军方案总结（附源码）｜极市打榜 保姆级教程：深度学习线上算法开发「环境配置」指南｜极市 2 小时上手真实项目线上开发？某 CV 算法开发训练平台新功能又现王炸 极市打榜｜ev-sdk封装实操教程

资源给大家带来一个利用卷积神经网络（CNN）进行中文OCR识别，实现自己的一个OCR识别工具。 一个OCR识别系统，其目的很简单，只是要把影像作一个转换，使影像内的图形继续保存、有表格则表格内资料及影像内的文字，一律变成计算机文字，使能达到影像资料的储存量减少、识别出的文字可再使用及分析，这样可节省人力打字的时间。

分享课程——Pytorch框架全流程开发医学影像端到端判别实战项目课程

基于深度学习的深度估计或vo中性能评估指标，rel、rmse、log10等

目前，基于深度学习的目标检测方法主要有两大分支，分别是基于区域提取的两阶段目标检测模型和直接进行位置回归的一阶段目标检测模型。 故本项目通过采用深度学习方法实现对吸烟行为的目标检测，使用python语言搭建YOLO算法实现对吸烟行为的实时监测。 YOLO算法将整幅图像分为了多个网格单元，对每个网格中心目标进行检测，该算法不用生成候选区域，在一个卷积网络中就可以完成特征提取、分类回归等任务，检测过程得到了简化，检测速度也变得更快，但该算法对于小尺度目标的检测不够准确，如果图像中存在重叠遮挡等现象就可能出现遗漏。

人的姿态检测，尤其是老年人的行为监护，比如站，坐，躺，以及摔倒等。

gUnet源码，Rethinking Performance Gains in Image Dehazing Networks源码 我们不打算提出一个具有奇特模块的去雾网络；相反，我们对流行的U-Net进行了最小的修改，以获得一个紧凑的脱雾网络，这是论文的源码。