An architecture for emergency event prediction using LSTM recurrent neural networks 论文学习

使用时间滑动LSTM网络的3D人类行为理解 这是Ensemble TS-LSTM v1，v2和v3模型的Tensorflow实现，该论文来自论文和论文 。 您可以在或前一篇论文的。 这也是论文中的通用时间滑动LSTM（TS-LSTM）模型的Tensorflow实现。 广义的TS-LSTM网络由多个TS-LSTM模块组成，并且可以由超参数控制，例如L-STM窗口大小，时间跨度和TS-LSTM模块的运动特征偏移。 要求（Ubuntu，Matlab除外） Python 2.7.12（NTU） 0.11.0rc2（NTU） Python 3.5.2（UCLA和UWA） 1.4.1（UCLA和UWA） 脾气暴躁的 Matlab 2017a（Windows） 数据集 我们发现有关NTU RGB + D数据集中的骨架数据的一些问题。 垃圾桶骨架：有时Kinect会检测到垃圾桶骨架，即使

超快速通道检测 PyTorch实施的论文“”。 更新：我们的论文已被ECCV2020接受。 评估代码是从改性和。 Caffe模型和原型可以在找到。 演示版 安装 请参阅 开始吧 首先，请根据您的环境在configs/culane.py或configs/tusimple.py配置中修改data_root和log_path 。 data_root是您的CULane数据集或Tusimple数据集的路径。 log_path是tensorboard日志，训练有素的模型和代码备份的存储位置。它应该放置在该项目之外。 对于单GPU训练，运行 python train.py configs/path_to_your_config 对于多GPU训练，请运行 sh launch_training.sh 或者 python -m torch.distributed.launch --nproc_per_n

针对传统肺结节检测准确率低，且存在假阳性高的问题，提出了一种改进Faster R-CNN检测候选结节，以及改进的3D DCNN去除假阳性的算法。考虑到结节的形状大小等因素，在Faster R-CNN上更改锚点数量和尺寸检测结节的鲁棒性，并在特征提取器的最后一层添加一个反卷积层，在网络特征图上根据结节尺寸添加小型滑动网络以使网络自适应生成感兴趣区域，获取候选结节。为了去除假阳性结节，在2D DCNN基础上调整卷积核参数，引入时间维度生成3D DCNN，并利用Adam算法调整网络学习率更改网络权重参数，采用数据增强策略进一步提取结节的全局特征。LIDC-IDRI数据集上的实验结果表明，所提出的算法平均检测准确率达到97.71%，同时降低了误诊率和漏诊率。

tensorflow初学者代码源码（框架），你值得拥有

使用OpenCV-CNN在网络摄像头上进行面部面具识别 该项目通过使用网络摄像头流式传输实时视频来检测带或不带口罩的人脸 该项目主要基于OpenCV和卷积神经网络

递归神经网络预测Google股票价格 我试图使用LSTM预测Google股票价格 长短期记忆（LSTM）单元（或块）是递归神经网络（RNN）层的构建单元。 由LSTM单元组成的RNN通常称为LSTM网络。 常见的LSTM单元由单元，输入门，输出门和忘记门组成。 该单元负责在任意时间间隔内“记住”值。 因此，LSTM中的“内存”一词。 就像多层（或前馈）神经网络中一样，这三个门中的每一个都可以被认为是“常规”人工神经元：也就是说，它们计算加权和的激活（使用激活函数）。 从直觉上讲，它们可以看作是通过LSTM连接的值流的调节器。 因此表示“门”。 这些门与单元之间存在连接。 更好的预测模型的结果是：

颜色分类leetcode cnn-svm-分类器 此示例使用来自 Caltech 图像集 () 的 48 个标记图像的子集，每个标签限制在 40 到 80 个图像之间。 图像被馈送到 Inception V3 的 TensorFlow 实现，其中移除了分类层，以生成一组标记的特征向量。 使用 t 分布随机邻域嵌入 (t-SNE) 对 2048 维特征进行降维，将它们转换为易于可视化的二维特征。 请注意，t-SNE 用作信息步骤。 如果相同的颜色/标签点大多聚集在一起，那么我们很有可能使用这些特征来训练具有高精度的分类器。 将 2048-d 标记的特征呈现给多个分类器。 该项目最初是训练支持向量机对图像进行分类，但为了比较，这已扩展到以下内容： 支持向量机 (SVM) 额外的树 (ET) 随机森林 (RF) K-最近邻 (KNN) 多层感知器 (ML) 高斯朴素贝叶斯 (GNB) 线性判别分析 (LDA) 二次判别分析 (QDA) 显示训练和验证时间，以及每个分类器的准确率。 大多数分类器都使用其默认调整值运行，但在可能的情况下，对那些其默认值远低于 90% 准确率的分类器进行了调整，例

巴特沃斯带通滤波器的matlab代码EEG-P300Speller_Model-util 该存储库包含3部分。 包括PYTHON代码和MATLAB代码。 第一部分：具有深度学习模型（堆叠的CNN和RNN）-Keras的EEG信号分类 P300_CNN_1_GRU_A.py：一个Python文件，其中是CNN和GRU的组合模型，用于确定EEG信号序列是否包含P300波。 模型1的摘要（堆叠式CNN和RNN）：1，CNN负责空间域特征提取。 如图2所示，GRU负责时域特征提取。 3，引入了Dropout，以防止过度拟合并提高精度。 模型2（堆叠式CNN）的摘要-未包含在存储库中：1，CNN负责空间域特征提取。 如图2所示，CNN负责时域特征提取。 3，引入了Dropout，以防止过度拟合并提高精度。 第二部分：用于EEG信号预处理的工具包。 列表和简要说明：1，EEG_Preprocessor.py：一个python文件，其中包含一系列EEG Signals预处理程序的代码。 包括：load_data，extract_eegdata，extract_feature等。 分类前的操作： 1)

首先声明：人脸识别部分借鉴github上的高星工程FaceRecognition-tensorflow-master，只想要人脸的可以直接去github上搜没必要花积分，下面给博客链接，在此感谢作者“哪里来的木木”！ 参考博客：https://www.cnblogs.com/mu---mu/p/FaceRecognition-tensorflow.html 大家一起学习呀~ 本资源分为四个小脚本，主要调用dlib、os、cv2、serial库，自己写了串口通信和指纹识别并融进人脸识别代码，做了个小界面，整个程序用于联系python和相应的串口操作，之前一直用C写32现在换个语言试试 主要脚本有详细注释，大家一起学习~