人脸识别 这个仓库是使用TensorFlow 2.0框架，并基于 论文上完成的，其中主要分为四大块：人脸检测、人脸矫正、提取特征和特征比对。各个模块的大小和在我的 17 款 macbook-pro 的 CPU 上跑耗时如下： 人脸检测：使用的是 mtcnn 网络，模型大小约 1.9MB，耗时约 30ms； 人脸矫正：OpenCV 的仿射变换，耗时约 0.83ms； 提取特征：使用 MobileFaceNet 和 IResNet 网络，耗时约30ms； 特征比对：使用曼哈顿距离，单次搜索和完成比对耗时约 0.011 ms； 注册人脸 注册人脸的方式有两种，分别是: 打开相机注册: $ python register_face.py -person Sam -camera 按 s 键保存图片，需要在不同距离和角度拍摄 10 张图片或者按 q 退出。 导入人脸图片: 保证文件的名字与注册人名相

这个数据集的目的是使用二元叶片图像和提取的特征（包括形状，边缘和纹理）来准确识别99种植物。叶片由于其体积，流行率和独特的特性，是区分植物物种的有效手段。它们还提供了一个有趣的介绍，介绍如何应用涉及到基于图像的特性的技术。第一步，尝试构建一个使用预先提取的特征的分类器。接下来，尝试创建一组自己的功能。最后，检查您所犯的错误，并查看可以做些什么来改进。 Leaf Classification_datasets.txt

这是论文“PCA based Edge-preserving Features for Hyperspectral Image Classification, IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(12), 7140-7151.”的代码，更多细节可以在论文中找到。 如果你使用这个演示，请引用这篇论文。 要运行此演示，您应该先下载 libsvm-3.22。 libsvm-3.22 可在https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 获得

利用模糊集理论（FS），区间值模糊集理论（IVFS）和非并行支持向量机理论（NPSVM），模糊非并行支持向量机（F-NPSVM）和区间值模糊非并行支持向量机。 （IVF-NPSVM）已构建。 F-NPSVM和IVF-NPSVM都在模型中考虑了训练点的隶属度，区别在于确定训练点的方法。 在人工数据集和基准数据集上的实验表明，使用F-NPSVM和IVF-NPSVM进行的大多数分类结果比NPSVM，支持向量机（SVM）更为准确。 ，区间值模糊支持向量机（IVF-SVM），广义特征值近端支持向量机（GEPSVM）和双支持向量机（TWSVM）。 最后，使用Friedman检验来验证两个新模型与以前的模型之间存在显着差异。

老年痴呆症分类 圣克拉拉大学高级设计项目2020-2021的资料库 贡献者：切尔西·费尔南德斯（Chelsea Fernandes），艾尤西·库马尔（Aiyushi Kumar），什里亚·文卡特（Shreya Venkatesh） 数据预处理 我们的数据来自ADNI，我们从中预处理原始数据以输入到我们的模型中。 以下预处理已完成： 平均认知测试数据（Convert_Ecog_Test_Values.ipynb） 合并各种csv文件（adni_merge_data.ipynb） 合并数据的规范化（normalize_data_3.ipynb） 数据分析 为了确定要从我们的数据集中删除哪些功能，完成了以下操作： 绘制直方图（Histogram_plot_grp_1.ipynb） 为每个功能绘制的箱线图（boxplots.uptnb） k倍交叉验证（kfold_crossvalid

卷积神经网络 表情和性别分类 CNN for Emotion and Gender Classification

项目3：多分类 作者：Khyatee Desai和David Shin 概述 Spotify一直在寻求创建其他功能和播放列表，以使用户发现来自不同流派和时代的新歌手。 新增内容可能会导致现有用户续订该应用程序的每月订阅，并希望扩展其音乐种类。 以下分析旨在证明音乐可以根据其音乐属性所源自的时间段进行分类。 通过类型分类发现新歌手不仅使用户受益，而且使歌手和Spotify受益。 未知的艺术家将从更多的发现方法中受益，Spotify可能获得更多的收入和更多的数据。 业务问题 要开发最佳功能和播放列表，我们需要了解在按时间段对音乐进行分类时哪些功能最重要。 创建新功能可能会推动客户续订并吸引新用户的兴趣。 数据 我们使用的主要数据集包含1921-2020年间歌曲属性。 Spotify数据包含每个轨道的音频功能，如下所示： 钥匙 值类型 值说明 duration_ms 整型 轨道的持续时间（以

Petrographic microfacies classification with deep convolutional

追随者性别分类器 :house_with_garden: 了解您的追随者的性别！ 一个支持我的论文的project 。 介绍 目的是确定您的Instagram关注者中有多少是男性/女性。 由几部分组成： 使用socketio, flask, html & javascript构建的前端 和4种不同的分类器算法实现：xgboost，支持向量机，朴素贝叶斯和adaboost 快速存储库概述 使用sklearn库实现AdaBoost。 Flask应用程序的主要入口点（此项目）。 数据转储或保存的泡菜文件。 你知道...截图。 使用nltk库实现朴素贝叶斯算法。 使用sklearn库实现支持向量机算法。 支持该项目的第三方相关库。 使用xgboost库实现eXtreme梯度增强算法。 屏幕截图 入门 export IG_USERNAME= export IG_PASSWORD= # To limit the number of processed comments data: # follower_limit x media_per_follower x comme

模糊和清晰的图像分类 分类模糊和清晰的图像 介绍 在日常生活中，由于聚焦不佳，帧中物体的运动或在捕获图像时的握手运动，我们会遇到从相机单击的不良图像。 Blur is typically the thing which **suppress the high-frequency** of our Images, therefore can be detected by using various low-pass filter eg. Laplacian Filter. 作为一个聪明的人（我自己是CS人士），我们不想手动过滤掉清晰和模糊的图像，因此我们需要一些聪明的方法来删除不必要的图像。 LoG筛选器 我还应用了高斯（ ）滤波器的拉普拉斯算子来检测模糊图像，但是很难找到区分图像所需的阈值的确切值。 尽管结果并不令人着迷。 使用方差 一些讨论 LoG参考： 在Python中实现