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

Visual LeakDetector(VLD)是免费开源的内存泄露检测工具，可以直接在VS各个版本调用，程序运行结束时可以显示出内存的泄露情况

Dlib FaceLandmark Detector 1.3.0.unitypackage 需要依赖opencv

As described in detail in this MSDN article, the JScript garbage collector in previous versions of Internet Explorer manages the lifetime of JScript objects but not of DOM objects. As a result, the JScript garbage collector cannot break circular references between DOM objects and JScript objects, and memory leaks may occur

假新闻检测器 欢迎分类为假新闻。 目标 端到端的机器学习管道将： 提取原始文本数据。 将原始文本数据处理为段落向量 将受过训练的有监督学习分类器应用于段落向量，以将原始文本标记为fake或not_fake fake 知识 比较当今使用的词嵌入应用程序的不同方法 在两者上都使用像Gensim这样的神经嵌入实现 词向量化和 段落矢量化 超调谐神经嵌入算法作为端到端流水线的一部分 使用标准的行业分类器，并将其与端到端管道集成 对多阶段机器学习管道进行故障排除 结构 （第一阶段）假新闻分类： 分类器应用程序伪造新闻文本。 嵌入代码是为学生事先准备的，因此他们可以专注于应用分类器基础知识。 将关注度量（精度，召回率，F1）和模型选择 （第2阶段）文本嵌入技术： 什么是Word2Vec，什么是Paragraph2vec 回顾历史策略以及word2vec为什么效果更好 TF IDF（历史简

人脸识别 使用世界上最精确的面部对齐网络从Python检测面部标志，该网络能够检测2D和3D坐标中的点。 使用基于深度学习的最新人脸对齐方法进行构建。 注意： lua版本可用。 对于数值评估，强烈建议使用lua版本，该版本使用与本文评估的模型相同的相同模型。 不久将添加更多型号。 产品特点 检测图片中的2D面部地标 import face_alignment from skimage import io fa = face_alignment . FaceAlignment ( face_alignment . LandmarksType . _2D , flip_input = Fa

SSD：单发MultiBox检测器 介绍 这是我的2种模型的pytorch实现： SSD-Resnet50和SSDLite-MobilenetV2 。 这些模型基于论文描述的原始模型（SSD-VGG16）。 此实现支持混合精度训练。 SSD Resnet50的输出示例。 动机 为什么在已经有许多ssd实现的情况下存在此实现？ 我相信许多人在看到此实现时都会想到这个问题。 实际上，Pytorch中已经有许多SSD及其变体的实现。 但是，其中大多数是： 过于复杂 模块化 增加了许多改进 未评估/可视化 以上几点使学习者难以理解原始ssd的外观。 因此，我将重点放在简单性上来重新实现这个众所周知的模型。 我相信此实现适合不同级别的ML / DL用户，尤其是初学者。 与本文中描述的模型相比，有一些小的更改（例如主干），但是其他部分严格遵循本文。 数据集 数据集 班级 ＃火车图片 ＃验证图片