车辆图像识别 概括 该项目的目标是根据斯坦福大学AI网站（ ）上预先配置的数据集，按品牌，型号和年份对汽车进行分类。 数据预先设置了所有图像的标签和边框。 将图像调整为边界框尺寸，并保存为原始图像。 通过使用TensorFlow的图像数据生成器将图像转换为像素数据矩阵，使用了卷积神经网络将看不见的验证图像分类为不同的汽车品牌。 从网站上找到的所有数据的总和来看，总共有16,185张图像，分为90/10的训练/测试比率。 像EfficientNet系列和InceptionV3这样的预先训练的模型，以前在'Imagenet'数据集上进行了训练，用于获得〜85％的最终精度。 结果 使用EfficientNetB1的模型格式，其中一部分图层保持在ImageNet数据集上学习的预训练权重，基于CNN模型看不到的图像，预测特定汽车的年份，品牌和模型的准确性达到〜85％。 。 以下是结果和模型的摘要：

手势识别 使用Flex和IMU传感器进行深度学习的手势识别

cifar_image_recognition 使用带有pytorch的cifar10的图像识别 快速入门指南 在克隆的存储库中，在终端中运行以下命令： $ conda env创建-f environment.yml $ conda激活cifar_env 如果使用pycharm，请在创建的conda env中将解释器设置为python版本，例如： ... / anaconda3 / envs / sheep_env / bin / python 从environment.yml列表添加或删除依赖项时，请运行： $ conda env更新--file environment.yml 二手货源/依赖 待定 系统依赖关系： 待定 去做： 待定

lda分类代码matlab 怎么跑 所有matlab源代码都在代码文件夹中。 代码文件夹还包含一个文件夹images ，其中包含我选择的所有图像（从 1 到 20）以及文件夹me中我自己拍摄的照片。 1. PCA 在code文件夹中，运行 pca() 它将首先加载图像，然后生成 PC。 它将进行 2D 和 3D 可视化并绘制 3 个特征面。 然后它将图像投影到 40、80 和 200 维，并使用最近邻进行分类。 所有步骤都在代码的注释中进行了描述。 2.LDA 在code文件夹中，运行 lda() 它将首先加载图像，然后生成 LDA。 它将进行 2D 和 3D 可视化。 然后它将图像投影到 2、3 和 9 维，并使用最近邻进行分类。 所有步骤都在代码的注释中进行了描述。 3. 支持向量机 在code文件夹中，运行 [acc_origin, acc_80, acc_200] = svm(C) 它将首先加载图像并使用 SVM 进行分类并输出准确率。 然后它将执行 PCA 以获取 PC。 它将使用 PC 将数据投影到 80 维和 200 维。它将使用 SVM 对这些维数为 80 和 200

​ 使用dlib的shape_predictor_68_face_landmarks模型，进行眨眼+张嘴的活体检测。包含face_recognition库各种功能是使用样例 使用dilb、face_recognition库实现，眨眼+张嘴的活体检测、和人脸识别功能。包含摄像头和视频 里面涉及到的 video\face13.mp4 的视频，可以自己录制个视频进行测试，我这边把视频给删除了

An Image is worth 16x16 Words: Transformer for image recognition手写笔记

本资源是Handbook of Fingerprint Recognition 2nd edition 2009 的电子书，英文版，适用于指纹识别的学习

虹膜识别经典论文：OSIRIS: An open source iris recognition software

人脸识别模型 该软件包仅包含使用的模型。 有关更多信息，请参见 。 这些模型由（ 创建，并在公共领域或CC0 1.0 Universal下获得许可。 请参阅许可。

动作识别研究 该存储库包含用于动作识别的6种代表性2D和3D方法的一般实现，包括I3D [1]，ResNet3D [2]，S3D [3]，R（2 + 1）D [4]，TSN [5]和TAM [ 6]。 这些代码用于我们对动作识别的分析。 陈春福（Richard）Chen *，Rameswar Panda *，Kandan Ramakrishnan，Rogerio Feris，John Cohn，Aude Oliva和Fanquanfu *，“对基于CNN的时空表示进行动作识别的深入分析”。 *：均摊 如果您使用此仓库中的代码和模型，请引用我们的工作。 谢谢！ @inproceedings{chen2020deep, title={Deep Analysis of CNN-based Spatio-temporal Representations for Action Recog