一、源码包中有3300张火灾识别数据集，标准完成。
二、数据集在darknet/VOCdevkit/VOC2007/JPEGImages目录下。
三、标注的xml文件在darknet/VOCdevkit/VOC2007/Annotations目录下。
四、训练自己的数据集步骤：
1、配置darkent 环境（网上教程很多，cpu、gpu均可）
2、对应目录下放置数据集和标注生成的xml文件
3、darknet根目录下执行./gen_files.py
4、darknet根目录下执行./darknet detector train cfg/voc-fire.data cfg/yolov3-voc-fire.cfg darknet53.conv.74 开始训练
（也可执行./darknet detector train cfg/voc-fire.data cfg/yolov3-tiny-fire.cfg 开始训练yolov3-tiny模型）
5、bakup下生成训练好的权重文件
2022-04-16 18:09:50
438.94MB
1、内容概要：本资源主要基于Python实现kdd99入侵检测数据集预处理，搭建DNN和CNN神经网络实现kdd99入侵检测分类，适用于初学者学习入侵检测分类使用。
2、入侵检测数据集： 该数据集是从一个模拟的美国空军局域网上采集来的9个星期的网络连接数据,分成具有标识的训练数据和未加标识的测试数据。KDD99数据集总共由500万条记录构成，它还提供一个10%的训练子集kddcup.data_10_percent_corrected和测试子集corrected。
3、源代码Handle_data.py是kdd99数据集预处理源代码，kddcup.data_10_percent_corrected.xls是预处理后的数据集。
4、源代码：Kdd_dnn.py是基于DNN神经网络对入侵检测数据集进行分类；kdd_cnn.py是基于CNN神经网络对入侵检测数据集进行分类。
2022-04-16 18:09:43
5.22MB
PyTorch-Kaldi语音识别工具包PyTorch-Kaldi是一个开放源代码存储库，用于开发最新的DNN / HMM语音识别系统。
DNN部分由PyTorch管理，而特征提取，标签合成则由PyTorch-Kaldi语音识别工具包PyTorch-Kaldi是一个开放源代码存储库，用于开发最新的DNN / HMM语音识别系统。
DNN部分由PyTorch管理，而特征提取，标签计算和解码则由Kaldi工具包执行。
该存储库包含PyTorch-Kaldi工具箱的最新版本（PyTorch-Kaldi-v1.0）。
要查看以前的版本（PyTorch-Kaldi-v0.1），请单击此处。
如果您使用此代码或部分代码，请
2022-04-13 17:21:24
362KB
1
opencv_contrib 3.2源码编译中需要下载protobuf-cpp-3.1.0，下载该文件，解压后放入路径./opencv_contrib/modules/dnn/.download文件下的相应位置即可。
2022-04-08 14:08:19
3.91MB
1
OpenCV在DNN模块中提供了基于残差SSD网络训练的人脸检测模型，tensorflow版本。
2022-04-06 03:11:37
1.52MB
1
这是基于python的DNN神经网络算法，可以通过机器学习进行分类识别，十分好用。
2022-03-31 14:07:34
3KB
【预测模型】基于DNN深度神经网络实现minist数据集预测matlab源码.md
2022-03-23 16:43:11
29KB
1
就地激活的批次标准
就地激活的BatchNorm（InPlace-ABN）是一种新颖的方法，可以减少训练深度网络所需的内存。 通过将BN +非线性激活重新定义为一次就地操作，它可以在现代体系结构（如ResNet，ResNeXt和Wider ResNet）中节省多达50％的内存，同时根据需要智能地丢弃或重新计算中间缓冲区。
该存储库包含InPlace-ABN层的实现，以及一些用于重现本文中报告的ImageNet分类结果的训练脚本。
现在，我们还发布了用于语义分割的推理代码，以及的Mapillary Vistas训练模型。 可以在本页底部找到更多信息。
引文
如果您在研究中使用就地激活的批次标准，请引用：
@inproceedings { rotabulo2017place ,
title = { In-Place Activated BatchNorm for Memory-Opti
2022-03-16 18:43:34
149KB
1
使用英特尔D435实感摄像头，在Opencv DNN框架下基于Yolov3框架实现目标检测，并根据深度信息实现对异物的3D定位。
实时显示摄像机坐标系中的坐标。
异议检测和位置RealsenseD435要求C ++版本Ubuntu18.04或16.04 Opencv 4.x C ++ 11_std至少，我在绝对路径/ usr / local / eigen3中使用了C ++ 17 std Eigen3：Cmake> = 3.17 PCL lib> = 1.7.1 Intel Realsense SDK> = 2.0 Yolov3，由Darknet Python版本pyrealsense2.x Opencv-python numpy与C ++版本相同，必须已安装realsense D435的SDK如何使用C ++ git clone https://github.com / Mazhichaoruya /异议检测和定位Rea
2022-03-14 21:14:57
191.69MB
1