Deep Learning-Based Human Pose Estimation A Survey综述xmind版
2022-01-22 19:16:16 947KB 深度学习 人工智能 姿态检测
1
Human-activity-detection_Motion-sense-Dataset_Kaggle:该存储库包含对运动感测数据集的分析,特征工程和运动感测数据集的分类结果
2022-01-19 00:00:56 1KB Python
1
教师信息管理系统sql学校人力资源管理系统 实现学校部门信息、职务、职称和教职工信息管理; 实现教师的学籍经历管理; 实现教师的家庭关系管理; 实现教师的奖惩信息管理; 创建存储过程查询学校各部门各种职称的教职工数量; 创建触发器当增加、删除教职工和修改教职工部门信息时自动修改相应部门的职工人数; 创建规则用于保证教职工的E-Mail的输入格式正确; 建立数据库相关表之间的参照完整性约束。
2022-01-14 11:02:38 4KB sql
1
matlab垂直泊车代码机器学习项目2019年Spring 项目成员:纽约大学丹顿工程学院的Akhil Wadhwa和Suyash Sule 标题:从身体磨损的运动和磁传感器数据中学习人类活动 人类活动分类为八名受试者(年龄在20至30岁之间的4位女性,4位男性)进行5分钟的19种活动。 我们使用了UCI机器学习存储库中的数据集: 19项活动如下: 坐着(A1),站立(A2),躺在左右两侧(A3和A4),上下楼梯(A5和A6),站在电梯静止(A7)并在电梯中四处走动(A8) ,在停车场(A9)上行走,以4 km / h的速度在跑步机上行走(在平坦且倾斜15度的位置)(A10和A11),以8 km / h的速度在跑步机上行走( A12),在踏步机上锻炼(A13),在交叉训练机上锻炼(A14),在水平和垂直位置骑健身车(A15和A16),划船(A17),跳跃(A18),打篮球(A19) ) 主体在躯干(T),右臂(RA),左臂(LA),右腿(RL),左腿(LL)上具有传感器,每个传感器上总共有9个传感器(x,y,z加速度计,x ,y,z陀螺仪,x,y,z磁力计)。 请参阅Machine l
2022-01-05 17:33:20 2.14MB 系统开源
1
as the title, just one usb class protocol,human interface devices
2021-12-31 10:22:09 1.19MB usb HID 1.11 1.12
1
信息安全实习Diffle-Human密钥交换报告
2021-12-30 23:39:00 254KB df密钥
1
人体姿态估计代码
2021-12-24 11:08:10 89KB 人体姿态估计 深度学习
1
人类视觉系统(HVS)工具箱基本介绍 该工具箱中的功能列举如下: func_LuminanceMasking -- 显示HVS的亮度屏蔽效果 func_ContrastMasking -- 显示 HVS 的对比度遮罩效果 func_ColorCSF -- 通过彩色正弦波刺激显示对比敏感函数 (CSF) func_GrayCSF -- 通过灰色正弦波刺激显示对比敏感函数 (CSF)
2021-12-21 16:36:22 3KB matlab
1
ofdm matlab源代码使用IEEE-802.11n设备的信道状态信息(CSI)进行人类活动,手势和跌倒检测 该存储库用于使用IEEE 802.11n设备的信道状态信息(CSI)收集用于人类活动的数据集。 截至目前,我们正在等待论文发表。 (i)我们的第一篇论文已经使用初步结果发表:WiHACS:利用OFDM子载波的相关性将WiFi用于人类活动分类 (ii)论文概述的详细信息可以在这里找到:使用Wi-Fi通道状态信息(CSI)进行人类活动识别和跌倒检测 我们目前正在等待其他论文发表。 发布后,我们将上传所有数据以及算法的源代码。 (抱歉,延迟-上传延迟是由于某些技术问题造成的)。 我将不时更新此仓库。 所有数据将按时间序列显示在MAT或CSV文件中。 信号处理matlab文件也将被上传。 包括用于机器和深度学习算法的python文件。 有关此仓库或论文/论文的任何问题,请发送电子邮件至 如果您在此代表中使用提供的matlab代码和/或数据集,请考虑引用以下参考资料: @phdthesis {Chowdhury_2018,系列= {电子学位论文(ETD)2008+},标题= {使用W
2021-12-09 20:47:28 3KB 系统开源
1
股市动荡,集群波动,基于情绪和新闻报道的价格波动很普遍。 贸易商使用各种公开可用的信息来预测营销决策。 本文使用对可公开获得的新闻报道的情感分析,为交易者提供了有关股票交易的建议。 它基于一个假设,即新闻文章对股票市场有影响,以此假设为基础,我们研究了新闻与股票趋势之间的关系,并证明了负面新闻对股票市场具有持续影响。 为了证明这一假设,使用了半监督学习技术来构建新闻分类的最终模型。 研究表明,以TF-IDF为特征的SVM在进一步分析中表现良好。 预测模型的准确性超过90%,与股票的退货标签具有52%的相关性。
2021-12-07 13:43:07 617KB Text Mining Human Sentiments
1