BP-OCR 本篇基于实验楼基于BP神经网络的手写体识别实验修改而来 实验地址： 实验楼参考文档： Python2版GitHub地址： 代码经过修改可以在Python3中运行 运行方式：首先运行server.py，然后打开ocr.html可以进行训练。训练好之后可以进行测试。

1. VeRi数据集 （请单击进入新网页。） 为了促进对车辆重新识别（Re-Id）的研究，我们在现实世界的城市监视场景中为车辆Re-Id建立了一个大型基准日期集，称为“ VeRi”。 VeRi的特色属性包括： 它包含24个摄像头在24小时内覆盖50,000 km2的50,000幅图像，这些摄像头覆盖了1.0 km ^ 2的区域，这使得该数据集具有足够的可伸缩性，可用于Re-Id和其他相关研究。 这些图像是在现实世界中不受约束的监视场景中捕获的，并标记有各种属性，例如BBox，类型，颜色和品牌。 因此，可以学习和评估车辆Re-Id的复杂模型。 每辆车由2到18个摄像机以不同的视角，照明，分辨率和遮挡物捕获，这在实际监视环境中为Re-Id车辆提供了较高的复发率。 它还标有足够的车牌和时空信息，例如车牌的BBox，车牌字符串，车辆的时间戳以及相邻摄像机之间的距离。 最近，我们在野外发

校园二手交易微信小程序 校园二手交易微信小程序实现的功能：定位大学，当地天气，轮播图，推荐列表，购物车，发布功能，订单，身份验证等。 以下对每一项进行了简单的阐述，“详情”则是对每一项内容具体的描述。 首页 首页实现了一些简单的功能，而且界面的设计也不是美观，设计的比较粗糙，后续会完善的功能是：用户下滑加载更多的内容，内容也会更加丰富。 定位 定位功能调用的是百度的接口，本来是想腾讯地图的，但是自己在使用的过程中，出现了一些错误（后续会完善腾讯地图的使用），导致调用接口失败了，然后才用的，而且官方给了代码实例，我们稍作修改即可使用。 天气 天气功能调用的是百度的接口，在百度地图官网给的代码实例里面除了位置功能，还有当地天气的数据，可以直接拿来使用。 轮播图 轮播图直接用微信小程序的组件，设置轮播图属性——> 循环遍历每一项——> 轮播

DnCNN-keras 的论文的keras实现 依存关系 tensorflow keras2 numpy opencv 准备火车数据 $ python data.py 干净的补丁程序是从“ data / Train400”中提取的，并保存在“ data / npy_data”中。 火车 $ python main.py 训练有素的模型将保存在“快照”中。 测试 $ python main.py --only_test True --pretrain 'path of saved model' 噪点和去噪图像保存在“快照”中。 结果 高斯去噪 BSD68数据集上不同方法的平均PSNR（dB）结果。 噪音等级 BM3D 神经网络 DnCNN-keras 25 28.57 29.23 29.21

yolov3-tiny2onnx2trt 将您的yolov3-tiny模型转换为trt模型 设备：nvidia jetson tx2 jetpack版本：jetpack4.2： ubuntu18.04 tensorrt5.0.6.3 cuda10.0 cudnn7.3.1 其他： python=2.7 numpy=1.16.1 onnx=1.4.1 (important) pycuda=2019.1.1 Pillow=6.1.0 wget=3.2 自定义设置 data_processing.py: line14: LABEL_FILE_PATH = '/home/nvidia/yolov3-tiny2onnx2trt/coco_labels.txt' line19: CATEGORY_NUM = 80 yolov3_to_onnx.py: line778: img_siz

Spring-Boot-Neo4j-Movies Spring-Boot集成Neo4j结合Spark的朴素贝叶斯分类器实现基于电影知识图谱的智能问答系统 博客地址： 项目博客地址： 升级Spark依赖，由原来的2.3升级到2.4，GitHub官方提醒> = 1.0.0，<= 2.3.2之间的版本容易受到攻击 spark2.4 == >scala2.11 and scala2.12 <!-- https://mvnrepository.com/artifact/org.apache.spark/spark-core --> org.apache.spark spark-core_2.12 2.4.0 <

CefSharp.MinimalExample 使用官方的Nuget包如何使用CefSharp库的最小示例。 包括以下示例 WinForms WPF 屏幕外 有关每个项目的更完整示例，请参见主要的CefSharp存储库。

keyextract_word2vec #基于Word2Vec的文本关键词抽取方法 大多数人都是将Word2Vec作为词向量的等价名词，也就是说，纯粹作为一个用来获取词向量的工具，关心模型本身的读者并不多。 可能是因为模型过于简化了，所以大家觉得这样简化的模型肯定很不准确，所以没法用，但它的副产品词向量的质量反而还不错。 没错，如果是作为语言模型来说，Word2Vec实在是太粗糙了。 但是，为什么要将它作为语言模型来看呢？ 抛开语言模型的思维约束，只看模型本身，我们就会发现，Word2Vec的两个模型 —— CBOW和Skip-Gram —— 实际上大有用途，它们从不同角度来描述了周围词与当前词的关系，而很多基本的NLP任务，都是建立在这个关系之上，如关键词抽取、逻辑推理等。 有心想了解这个系列的读者，有必要了解一下Word2Vec的数学原理。当然，Word2Vec出来已经有好几年了，介绍

qtcharts:QtCharts模块

ThreeJsDemo 在线演示地址：