:medical_symbol:‍:medical_symbol: COVID-19侦探AI 基于深度CNN的AI应用程序，可使用胸部X射线进行COVID诊断 :information: 为了进行部署，此存储库是先前迭代的Flask版本，您可以在此处参考 现场演示： 科技栈 PyTorch（DL模型） OpenCV 烧瓶（后端） Gunicorn服务器 Heroku（PaaS） 模型训练 我在此添加了有关训练和推理模型的详细说明。 在此仓库中，我将仅具有构建前端和部署的说明。 操作说明 要在本地运行， 使用git clone克隆此存储库。 在项目目录中打开一个终端。 使用pip install -r requirements.txt安装依赖项 运行python app.py以在localhost:5000上打开该应用程序。 在Heroku上部署 在heroku中进行部署有点麻烦，涉及许多错误修复。 希望我能指导您。 由于我在应用程序中使用了PyTorc

jscpd 用于编程源代码的复制/粘贴检测器，支持150多种格式。 复制/粘贴是许多项目中常见的技术债务。 jscpd可以查找在150多种编程语言和数字格式的文档中实现的重复块。 jscpd工具实现算法来搜索重复项。 jscpd的软件包 名称 版 描述 jscpd的主软件包（包括用于检测的cli和API） 核心检测算法，可用于检测不同环境中的重复项，对eventemmiter3的依赖性 文件中的重复检测器 用于标记化编程源代码的工具 LevelDB存储，用于大型存储库，比默认存储慢 jscpdHTML报告程序 jscpd的徽章记者 编程API 为了对您的应用程序进行集成复制/粘贴检测，可以使用编程API： jscpd Promise API import { IClone } from '@jscpd/core' ; import { jscpd } from 'jscpd' ; const clones : Promise < IClone> = jscpd ( process . argv ) ; jscpd异步/等待API import {

颜色分类leetcode 车辆探测器 该项目 我对这个项目的目标是： 通过删除重复图像（或接近重复）来清理图像数据集。 从标记的训练图像集中提取特征以构建包含以下内容的特征向量： 定向梯度(HOG) 特征的直方图。 颜色直方图特征。 空间颜色特征。 训练线性 SVM分类器以基于 识别汽车与非汽车。 使用 SVM 和滑动窗口技术搜索车辆。 估计检测到的车辆的边界框。 这个怎么运作 该车辆检测器使用带有非线性 SVM 的滑动窗口搜索来将图像中的不同窗口分类为是否包含汽车。 从那以后，我们随着时间的推移进行整合以消除误报分类。 然而，在讨论检测管道之前，我需要解释样本选择和训练过程。 样本选择 对于该项目，提供了超过 8000 张 64x64px 的车辆和非车辆类别的组合图像（下面进一步讨论）。 由于这些样本来自视频，因此由于视频的连续成名看起来非常相似，因此许多图像看起来几乎相同。 我没有使用这个数据集进行训练，这会导致人为地提高验证准确性或导致训练集的多样性降低，我删除了几乎重复的图像。 这是由clean_dataset.py完成的，它使用图像散列算法一次检查每个图像，并拒绝任何与先前观

Muon检测器-模拟 安装 mkdir build && cd build cmake -DGeant4= make -j2 开始模拟 ./muon_run

Caffe-SSD-对象检测 在Python中使用OpenCV在Caffe MobileNet上使用Single Shot MultiBox Detector进行目标检测。 SSD框架 单发MultiBox检测器可分为两部分： 使用基础网络提取特征 使用卷积滤波器进行预测 此实现将MobileNet深度学习CNN架构用作基础网络。 Caffe框架 Caffe是由Berkely AI Research和社区贡献者开发的深度学习框架。 Caffe。 这是使用Nvidia K-40 GPU每天训练超过600万张图像的更快的方法 运行代码 python detectDNN.py -p Caffe/SSD_MobileNet_prototxt -m Caffe/SSD_MobileNet.caffemodel 文章

项目简介： 使用YOLOv5+Deepsort实现车辆行人追踪和计数，代码封装成一个Detector类，更容易嵌入到自己的项目中。 效果：  # YOLOv5检测器： ```python class Detector(baseDet): def __init__(self): super(Detector, self).__init__() self.init_model() self.build_config() def init_model(self): self.weig

opencv中dnn模块两个人脸检测模型 opencv_face_detector_uint8.pb res10_300x300_ssd_iter_140000_fp16.caffemodel

MIMO detectors including ZF MMSE ML ect. The resources are helpful to the starers.

脸部检测器 从我的视频中查找详细信息：（ ） 档案详细资料 Model_training.py ：使用此python文件训练模型 Image_final_try ：使用此文件，您可以对图像进行分类，无论其中是否有遮罩 Webcam_try.py ：这个特殊的oython文件将帮助您从网络摄像头或任何视频中检测遮罩/不遮罩。 Haarcascade_frontalface_alt.xml ：借助它，您可以检测面部特征。 此仓库的Github页数（（ ） 要在您的终端中运行此代码，请执行以下操作： *打开您的终端 更改目录至您下载此代码的位置 如果尚未安装python3，请先安装python3！ 运行python3 -m venv venv创建一个名为venv的虚拟环境。 运行source venv/bin/activate激活您的环境！ 编写pip install -r re

1. 使用 Canny 边缘检测器查找边缘图像。 2.从边缘图像中提取边缘： 一种。 如果它们在一个范围内，则填充间隙并选择长边， 湾找到 T 形接头并将它们标记为 T 形角。 3. 用仿射长度参数化每条边。 4. 对于每个参数化的边，在 {σm, σm+1, σm+2} 中以适当的比例计算绝对曲率，并通过将曲率最大值与 {tm, tm+1, tm 中边的相应曲率阈值进行比较来确定角+2} 和相邻的最小值。 5.考虑一点点，将角点向下跟踪到最低比例邻里，以提高本地化。 6. 在考虑相同邻域大小的情况下，以最低比例进一步跟踪原始边缘上的角点。 7. 删除多次出现的相同角点，将 Tcorners 与跟踪的角点进行比较，并添加那些远离检测到的角点的 T 角。