该数据集由17509张图像组成，包含7种不同类别的杂草图像和1个负类图像，使用csv对每一图像的类别进行标注。数据集中的每幅图像统一被缩放为256*256像素大小，该数据集主要应用于基于深度学习或机器学术的杂草分类、检测等方面的研究。

本文面向体态和手势这两种常见的感知通道，系统地研究其中的问题挑战及其解决方法。 随着人们对于姿态恢复和手势识别的精确性和易用性越来越高的要求，缺乏先验知 识表示、准确率与时延折中、标定过程繁琐以及有标数据不足等关键问题与挑战交错叠 加。首先，一些人类熟知的有助于解决感知问题的先验知识难以直接嵌入在基于深度机 器学习的端到端的感知计算方法中，其次，现有的基于肌电信号的手势识别方法难以同 时做到高准确率和低时延，再次，现有的基于肌电信号的手势识别方法通常需要用户在 每次佩戴设备后先进行严格的标定;最后，现有的基于肌电信号的手势识别方法依赖于 大量的具有手势标签的训练数据，然而这些有标记的训练数据通常难以获得。本文重点 面向上述问题和挑战，在深度机器学习框架下设计针对性的解决方法，主要创新点包括 (1)针对基于无标记单目相机的体态感知中缺乏先验知识表示的问题，提出了一种新的 先验知识的表示方式- 一高度图一一用于从单目相机拍摄的视频中精确地恢复三维 人体姿态。在此基础上， 提出使用双流深度卷积网络融合彩色图像和高度图两种输入 信息来估计二维人体姿态，充分利用了人体各部位的高度这一先验信息来

本文来自于csdn，这个指南主要基于DennyBritz所做的工作，他深入地探索了机器人开发中深度学习技术的利用。文章中包含代码片段和Github仓，好好利用！在过去的几个月中，我一直在收集自然语言处理（NLP）以及如何将NLP和深度学习（DeepLearning）应用到聊天机器人（Chatbots）方面的最好的资料。时不时地我会发现一个出色的资源，因此我很快就开始把这些资源编制成列表。不久，我就发现自己开始与bot开发人员和bot社区的其他人共享这份清单以及一些非常有用的文章了。在这个过程中，我的名单变成了一个指南，经过一些好友的敦促和鼓励，我决定和大家分享这个指南，或许是一个精简的版本-由

基于深度机器学习和RFID的垃圾分类系统设计.pdf

介绍机器学习Windows环境下开发Spark程序的配置方法，包含Java配置、Spark配置、系统环境配置，方便爱好者调试机器学习程序。

使用机器学习端到端图片验证码识别，通杀所有图片类型验证码类型（包括复杂的连在一起、重叠的验证码），支持java，python， c#等语言， 识别精度达95%以上。 机器学习识别验证码，提供了一个完整的图片验证码识别教程 不懂的可以联系我：xxguo81527@foxmail.com