基于深度学习的农作物病虫害识别APP源码+项目说明.zip 【APP功能】 “拍照识别病虫害”：用户可以对发病的作物叶片或者果实进行拍照，裁剪对应发病区域，等待2~3秒即可以返回匹配率最高的三个疾病，并将识别率标记到对应的疾病卡片上，显示在照片的上方。用户可以通过拍照识别结构卡片，会显示对应疾病的具体信息、危害病症、传播途径、发病条件和治理方法。帮助用户快速找到解决方法，对症下药。 大数据 农技学习”：该界面罗列了100多种蔬菜、粮棉油、水果、经济作物等几类常见的农作物，并使用TabLayout + Fragment滑动布局加载这些农作物。可以使大量数据流畅的展示给用户。用户通过点击对应疾病的卡片，获取当前病虫害的典型照片以及具体信息，包括：对应症状、病原、传播途径和发病条件、防治方法等等。为解决大多数农民用户不会拼音、难以识字的问题，该界面也配备了多方言的语音朗读，解决南北语言差异问题的同时也构成了良好的交互界面，方便用户使用。

海星海星目标检测数据集(棘冠海星除外)，在文件夹中有1376个文件，688个图像文件和688个标签文件 海星海星目标检测数据集(棘冠海星除外)，在文件夹中有1376个文件，688个图像文件和688个标签文件

压缩包包含 1：EMNIST数据集压缩包 2：EMNIST转化为图片后的格式（PNG） 3：EMNIST数据集转化为图片代码 EMNIST数据集介绍：名字的由来为，Extended MNIST (EMNIST), 一个在手写字体分类任务中更有挑战的 Benchmark EMNIST 主要分为以下 5 类： 1：By_Class ： 共 814255 张，62 类，与 NIST 相比重新划分类训练集与测试机的图片数 2：By_Merge： 共 814255 张，47 类， 与 NIST 相比重新划分类训练集与测试机的图片数 3：Balanced : 共 131600 张，47 类， 每一类都包含了相同的数据，每一类训练集 2400 张，测试集 400 张 4：Digits ：共 28000 张，10 类，每一类包含相同数量数据，每一类训练集 24000 张，测试集 4000 张 5：Letters : 共 145600 张，26 类，每一类包含相同数据，每一类训练集5600 张，测试集 800 张

利用SSD网络进行车牌检测模型训练

Least-squares estimation of transformation parameters between two point patterns。 相似变换相当于等距变换和均匀缩放的一个复合，即为： 左上角2*2矩阵为旋转部分，右上角为平移因子。它有四个自由度，即旋转、x方向平移、y方向平移和缩放因子s。相似变换后长度比、夹角保持不变，其与相似三角形类似。 虽然相似变换和仿射变换的变换矩阵一样，但是其定义不一样。因为相似变换中不存在倾斜变换（也叫错切变换、剪切变换、偏移变换）、翻转变换，而仿射变换中存在。

目录 一、何为目标检测 二、如何做到目标检测 三、R-CNN 引入 R-CNN的缺点有哪些 四、Fast R-CNN 引入 Fast R-CNN比R-CNN优化的地方，以及其依旧存在的问题 五、Faster R-CNN 引入 网络结构 网络训练 RPN网络训练 总体流程 RPN网络标签的生成 RPN网络LOSS Faster R-CNN网络训练 一、何为目标检测 给你一张图片，告诉我图里有什么？在哪？ 二、如何做到目标检测         学过深度学习的都知道已经事情，一个深度神经网络就是一个巨大的函数，给它输入，它给你输出，相信很多读者都自己构建过深度神经网络并在MNIST手写数字数据集上

大神自写的神经网络算法。应用梯度下降和反向传播算法识别手写数字。

最全最新最受欢迎深度学习入门301页PPT，李宏毅老师讲解涵盖深度学习发展进程，算法演进，实例分析，基础实验，图文并茂，深入浅出，揭开深度学习神秘面纱，窥探里面的真实世界,读完收益匪浅

Abstract The style-based GAN architecture (StyleGAN) yields state-of-the-art results in data-driven unconditional generative image modeling. We expose and analyze several of its characteristic artifacts, and propose changes in both model architecture and training methods to address them. In particular, we redesign generator normalization, revisit progressive growing, and regularize the generator to encourage good conditioning in the mapping from latent vectors to images. In addition to improving image quality, this path length regularizer yields the additional benefit that the generator becomes significantly easier to invert. This makes it possible to reliably detect if an image is generated by a particular network. We furthermore visualize how well the generator utilizes its output resolution, and identify a capacity problem, motivating us to train larger models for additional quality improvements. Overall, our improved model rede- fines the state of the art in unconditional image modeling, both in terms of existing distribution quality metrics as well as perceived image quality.

Titanic数据集主要包含两部分,训练集(train.csv)和测试集(test.csv)。其中训练集中包含乘客的基本信息和最终在事故中的存活情况,测试集只包含乘客的基本信息, 不包含存活情况。 目的:通过对训练集中乘客的基本信息和存活情况的分析,找到背后隐藏的某种规律,去推断测试集中的乘客是否遇难。