matlab图像去除阴影代码Vineyard_FastRCNN 介绍 该项目提出了一种在农业环境中使用Matlab的基于快速区域的卷积神经网络方法（Fast R-CNN）的物体/障碍物检测器。 卷积神经网络近年来显着提高了图像分类和检测精度[1]。 可以以更高的置信度来检测具有多种光学特征和表面的特别复杂的场景和物体。 农业是异构几何形状和表面的杰出典范，给传统的计算机视觉方法带来了无数困难。 纵观现代葡萄园，控制杂草的一种逐渐普遍的方法是机械/物理去除植物下方的杂草。 因此，去除杂草的机具必须检测植物和其他障碍物以避免碰撞。 如下面所示，如果工具前有障碍物，则可以“感觉”到现有技术： 这种物理相互作用会损坏植物的树皮，从而使真菌生长。 非接触式系统，无论是基于传感器还是基于摄像头的实施方案，都可以对该主题产生积极影响，并且进一步允许农民收集有价值的信息，例如： 智能农场的数据挖掘， 自治系统 健康监测。 现代网络日益复杂 最近的CNN（例如VGG16，VGG19，GoogleNet或Inception网络）的复杂性和大小不断增加，导致对分类/检测的处理能力需求很高。 尽管在Amazo

【边缘检测】基于CNN的灰度图像边缘提取matlab源码.md

用CNN对电能质量扰动进行分类，可以直接使用，数据都在里面，仅供参考

视觉机器学习卷积神经网络的仿真代码

超快速通道检测 PyTorch实施的论文“”。 更新：我们的论文已被ECCV2020接受。 评估代码是从改性和。 Caffe模型和原型可以在找到。 演示版 安装 请参阅 开始吧 首先，请根据您的环境在configs/culane.py或configs/tusimple.py配置中修改data_root和log_path 。 data_root是您的CULane数据集或Tusimple数据集的路径。 log_path是tensorboard日志，训练有素的模型和代码备份的存储位置。它应该放置在该项目之外。 对于单GPU训练，运行 python train.py configs/path_to_your_config 对于多GPU训练，请运行 sh launch_training.sh 或者 python -m torch.distributed.launch --nproc_per_n

针对传统肺结节检测准确率低，且存在假阳性高的问题，提出了一种改进Faster R-CNN检测候选结节，以及改进的3D DCNN去除假阳性的算法。考虑到结节的形状大小等因素，在Faster R-CNN上更改锚点数量和尺寸检测结节的鲁棒性，并在特征提取器的最后一层添加一个反卷积层，在网络特征图上根据结节尺寸添加小型滑动网络以使网络自适应生成感兴趣区域，获取候选结节。为了去除假阳性结节，在2D DCNN基础上调整卷积核参数，引入时间维度生成3D DCNN，并利用Adam算法调整网络学习率更改网络权重参数，采用数据增强策略进一步提取结节的全局特征。LIDC-IDRI数据集上的实验结果表明，所提出的算法平均检测准确率达到97.71%，同时降低了误诊率和漏诊率。

tensorflow初学者代码源码（框架），你值得拥有

使用OpenCV-CNN在网络摄像头上进行面部面具识别 该项目通过使用网络摄像头流式传输实时视频来检测带或不带口罩的人脸 该项目主要基于OpenCV和卷积神经网络

颜色分类leetcode cnn-svm-分类器 此示例使用来自 Caltech 图像集 () 的 48 个标记图像的子集，每个标签限制在 40 到 80 个图像之间。 图像被馈送到 Inception V3 的 TensorFlow 实现，其中移除了分类层，以生成一组标记的特征向量。 使用 t 分布随机邻域嵌入 (t-SNE) 对 2048 维特征进行降维，将它们转换为易于可视化的二维特征。 请注意，t-SNE 用作信息步骤。 如果相同的颜色/标签点大多聚集在一起，那么我们很有可能使用这些特征来训练具有高精度的分类器。 将 2048-d 标记的特征呈现给多个分类器。 该项目最初是训练支持向量机对图像进行分类，但为了比较，这已扩展到以下内容： 支持向量机 (SVM) 额外的树 (ET) 随机森林 (RF) K-最近邻 (KNN) 多层感知器 (ML) 高斯朴素贝叶斯 (GNB) 线性判别分析 (LDA) 二次判别分析 (QDA) 显示训练和验证时间，以及每个分类器的准确率。 大多数分类器都使用其默认调整值运行，但在可能的情况下，对那些其默认值远低于 90% 准确率的分类器进行了调整，例

巴特沃斯带通滤波器的matlab代码EEG-P300Speller_Model-util 该存储库包含3部分。 包括PYTHON代码和MATLAB代码。 第一部分：具有深度学习模型（堆叠的CNN和RNN）-Keras的EEG信号分类 P300_CNN_1_GRU_A.py：一个Python文件，其中是CNN和GRU的组合模型，用于确定EEG信号序列是否包含P300波。 模型1的摘要（堆叠式CNN和RNN）：1，CNN负责空间域特征提取。 如图2所示，GRU负责时域特征提取。 3，引入了Dropout，以防止过度拟合并提高精度。 模型2（堆叠式CNN）的摘要-未包含在存储库中：1，CNN负责空间域特征提取。 如图2所示，CNN负责时域特征提取。 3，引入了Dropout，以防止过度拟合并提高精度。 第二部分：用于EEG信号预处理的工具包。 列表和简要说明：1，EEG_Preprocessor.py：一个python文件，其中包含一系列EEG Signals预处理程序的代码。 包括：load_data，extract_eegdata，extract_feature等。 分类前的操作： 1)