小麦品质检测仪2 受启发 描述： 我们正在使用此小麦质量检测测试来确定给定小麦籽粒图像的质量。 我们使用的数据集由提供。 小麦品质检测问题分为以下两个子问题： 两类分类，即健康谷物或其他谷物。 五类分类，即健康谷物，损坏的谷物，异物，破碎的谷物和谷物覆盖物。 我们为上述数据集提取的用于训练的数据集（单粒或其他图像）。 要求： 的OpenCVPython的 凯拉斯 张量流 matplotlib 经过python3.5测试 一目了然 对于两类分类： $ python classifier_2_v2.py 68/68 [==============================] - 0s 499us/step - accuracy: 0.9020 - loss: 0.2475 MLP Test loss: 0.247524231672287 MLP Test acc

matlab图像分割肿瘤代码脑肿瘤检测器 脑细胞中异常细胞生长会导致脑瘤。 应当在初始阶段检测出肿瘤，以挽救患者的生命。 如今，脑部MRI的分割已成为医学领域的重要任务。 该项目定义了完成此操作的不同方法，并为此提供了MATLAB代码。 分割基本上是基于强度对图像中的像素进行提取或分组的过程。 它可以通过不同的方法来实现，例如阈值化，区域增长，轮廓和集水。 在该项目中，我们将肿瘤部分进行了分割，然后使用支持向量机将肿瘤分为良性肿瘤或恶性肿瘤。 图像分割：图像分割的目的是针对特定应用程序将图像划分为有意义的区域。 分割可以是灰度，颜色，纹理，深度或运动。

edge_detector：HED实时iOS边缘检测器

Python文档检测器 python中的简单文档检测器。 环境设定 运行以下命令以安装必要的软件包。 pip install -r requirements.txt 测试运行 python3 page_extractor.py -i 'input/receipt.jpg'

灾难鸣叫检测器 项目概况 该项目是Kaggle挑战。 在紧急时刻，Twitter已成为重要的沟通渠道。 由于Twitter提供近乎实时的信息，因此第一响应者越来越多地对其进行监视。 但是他们可能会面临困难，很难清楚地确定一个人是否正在宣布灾难。 使用包含隐喻的许多推文，这项任务可能很棘手。 我基于监督学习构建了一个解决方案，可以识别一条推文是否与真正的灾难有关。 这可以帮助紧急服务自动监视Twitter，以更好地检测灾难。 Github资料库 该存储库包含3个脚本： eda.y ：对“关键字”和“位置”特征的探索性分析，以分析与灾难发生的可能关联。 preprocessing.py ：一系列推文清洁和预处理 modelling.py ：推文矢量化（TF-IDF）和二进制分类模型（多项朴素贝叶斯） 探索性数据分析 我想弄清楚我们是否可以利用模型中的“位置”和“关键字”列。 关键字分

单位抽样信号matlab代码峰值检测器 该存储库包含用于多模式R峰检测代码的MATLAB代码。 R峰是QRS波群的突出部分-心电图（ECG）上经常出现的与心跳相对应的模式。 这里的软件旨在不仅使用ECG，而且使用动脉血压（ABP）波形，光电容积描记图（PPG）和/或每搏量（SV）精确定位R峰。 简而言之，该技术旨在基于信号质量的估计（称为信号质量指标（SQI））融合信号。 为每种信号类型（例如ECG，ABP等）估算SQI，并且仅当且仅当其SQI高于阈值时，才将每个信号的峰值检测融合在一起。 实施了额外的代码，该代码解决了在不直接测量心跳的信号上出现的延迟（例如，PPG上的脉搏波形通常比ECG中相应的QRS波群晚得多）发生。 要求 此存储库中的所有代码都需要WFDB工具箱： 下载完上述软件包后，请确保子文件夹“ mcode”在您的路径中，以便运行这些功能。 使用这个资料库 有四个主要功能： detect.m-主要功能，在WFDB可读记录上运行算法 detect_matlab.m-与上面相同，但是在具有关联标头和采样频率的MATLAB数据矩阵上运行算法 detect_sqi.m - det

tf_emotion_detector 一个基于TensorFlow的人脸表情识别系统

SOM 异常检测 这个 Python 模块提供了一个非常简单但高效的 Kohonen 自组织映射实现，用于异常检测目的。 该想法基于以下论文： Tian, J., Azarian, MH, Pecht, M. (2014)。 使用基于自组织图的 K 近邻算法进行异常检测。 欧洲预后与健康管理学会会议论文集。 算法简单描述 在一组正常数据（可能包含一些噪声或异常值）上训练某个维度的自组织图。 SOM 中的每个节点，计算映射到该节点的训练向量的数量，假设我们称这个数字为degree 。 删除所有度数小于某个阈值的节点。 对于要评估的数据中的每个观察，执行 k-NN wrt。 SOM 节点。 并计算到找到的节点的平均距离。 这是异常度量。 订购评估数据wrt。 到异常度量。 如何安装 安装可以通过执行： git clone https://github.com/FlorisHoog

SSD（single shot multibox detector）翻译，含原论文

博客配套源码 VC++内存泄漏检测方法（3）：Visual Leak Detector（VLD内存泄漏检测工具）支持VS2017 https://blog.csdn.net/libaineu2004/article/details/89763798