黄麻病害数据集，在这项工作中，我们使用一个脚本从谷歌Images和其他来源收集我们感兴趣的所有昆虫的照片，并将它们与实验室处理的照片结合起来。我们的数据集由4个类组成。每个类的平均计数为384，总计1535幅图像。由于Kaggle的限制，我们将每个类的图像限制在220张。本图像数据集中列出了四种重要的黄麻害虫
2022-12-06 12:28:53
23.43MB
作为一个交互设计师，在日常的设计工作中经常会问自己或者产品经理最多的问题就是，“这个功能用户用得多吗？用户主要在什么场景下用这样的功能？他用这个功能的目的是什么？等等”，问这类问题的主要目的是判断功能的优先级，在确定了优先级后再根据它去想办法去简化任务流程以及界面设计。下面举一个自己工作中的一个例子来讲诉如何根据任务的优先级来改进产品的用户体验。如下图是一个BI产品的dashboard界面。这些组件都可以进行多维度的查看（多维度就是指一个指标字段有多个不同的维度字段与它进行对应，比如说“销量”有各个国家的销量和各个省份的销量，省份和国家是两个不同的字段）。如上图，点击“店铺分布”这个条形图右上
2022-11-23 17:29:08
362KB
1
主要介绍了pytorch 中的重要模块化接口nn.Module的使用，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2022-11-12 10:27:03
57KB
1
使用深度学习和OpenCV进行社交距离
目的
由于COVID-19，今天的不幸情况使人与人之间的距离至关重要。 目标是检测使用深度学习的人员，并找出人员之间的距离，以检查人员是否维持6英尺或1.8 m的标准社交距离。
工具和库
Python
OpenCV
YoloV3
描述
第1步：在相框/图片中找到人数。
步骤2：为使用YOLO确定的人员创建边界框。
步骤3：为对象设置宽度阈值，在其中测量距离，即人的宽度。 我将宽度设置为27英寸或0.70米。 如果需要，请尝试其他值。
步骤4：将像素映射到公制（米或英寸）。
步骤5：以米为单位，找到一个人到另一个人的中心点之间的距离。
结果
2022-11-08 16:30:08
2MB
1
为了准确评价有向无标度网络中节点的重要度大小，从而更好地实施保护策略，提高网络抗毁性。考虑网络发生级联失效前后，节点负载量和网络连通性的变化情况，提出一种基于级联失效的有向无标度网络节点重要度评价模型。首先建立有向网络级联失效模型，推导出节点失效前承担的负载量，然后结合节点负载与其在数据传输过程中的位置因素，构建节点重要度评价模型。实验结果表明，在网络遭受选择性攻击时，采用该模型测得的关键节点失效后，分离生成子图数量和网络稳健性的变化趋势更明显，为具体应用提供实验数据。
2022-11-08 14:58:55
772KB
1