从视频中识别、裁剪和保存人脸作为图像 有关技术细节，请查看相关！ 如果您需要具有超高精度的专业人脸检测和识别项目，请联系。 快速演示 人脸正在跟踪、裁剪和保存为视频中的图像 从具有适当路径层次结构的视频中保存图像 理论 如果您想研究面部识别或面部检测的某些方面。 您想要的一件事是可用于您的系统的各种面Kong。 您可以通过此程序创建自己的人脸检测/识别数据库。 从视频中识别人脸，裁剪并将它们保存为适当路径层次结构下的图像。 一旦我们获得了人脸数据，我们就需要在我们的程序中读取它。 在演示应用程序中，我决定从一个非常简单的 CSV 文件中读取图像。 为什么？ 因为这是我能想到的最简单的独立于平台的方法。 但是，如果您知道更简单的解决方案，请与我联系。 基本上所有 CSV 文件需要包含由文件名后跟 ; 组成的行。 后跟标签（作为整数），组成如下一行： /path/to/image.e

PyTorch中用于图像分类的深度主动学习工具包 这是用编写的用于图像分类的深度主动学习的代码库。 我想强调的是，该工具包只是最初由Prateek Munjal等人通过电子邮件与我共享的工具包的轻量级衍生产品。 论文“使用神经网络实现鲁棒和可再现的主动学习”的作者，请。 介绍 该存储库的目标是为深度主动学习提供一个简单而灵活的代码库。 它旨在支持快速实施和评估研究思路。 我们还提供了大量基准结果（即将推出）。 该代码库当前仅支持单机单gpu培训。 我们将很快将其扩展到由PyTorch分布式软件包提供支持的单机多GPU培训。 使用工具箱 有关简要的安装说明和基本用法示例，请参见 。 支持的主动学习方法 不确定性抽样 最不信任 最低保证金 最大熵 深度贝叶斯主动学习（DBAL）[1] 贝叶斯主动学习的分歧（BALD）[1] 多样性抽样 核心组（贪婪）[2] 变式对抗主动学习（VAAL）

深度主动学习 以下主动学习算法的Python实现： 随机抽样 最不信任[1] 保证金抽样[1] 熵采样[1] 具有辍学估计的不确定性采样[2] 贝叶斯主动学习分歧[2] K均值采样[3] K中心贪婪[3] 核心套装[3] 对抗-基本的迭代方法 对抗性-DeepFool [4] 先决条件 numpy的1.14.3 scipy 1.1.0 火炬0.4.0 火炬视觉0.2.1 scikit学习0.19.1 ipdb 0.11 用法 $ python run.py 参考 [1]一种新的深度学习主动标记方法，IJCNN，2014年 [2]使用图像数据进行深度贝叶斯主动学习，ICML，2017年 [3]卷积神经网络的主动学习：核心集方法，ICLR，2018年 [4]深度网络的对抗式主动学习：基于边际的方法，arXiv，2018年

主动学习（Python） 如今，获取未标记的数据已经非常简单。 但是，获取标记数据确实是非常困难的任务。 主动学习是一个这样的框架，当您的数据有限而又需要更高的模型准确性时，该框架将为您提供帮助。 智能查询以识别信息最多的实例是主动学习的基本原理。 建立任何主动学习模型的关键因素是我们选择的确定性度量和我们应用的查询策略。 查询策略： 1.不确定性抽样 任何活跃的学习者在看到一组未标记的示例后，都会提取出最有用的示例，并提供相同的示例以进行标记。 首先，为每个示例计算衡量预测的有用性，然后根据有用性进行决策。 分类不确定性，分类余量和分类熵是modAL文档中针对基于主动学习池的采样和基于流的采样的三种内置度量，这是可以将实例发送到查询以评估度量有用性的不同方式。 基于池的采样 下面的示例使用基于池的采样展示了Active学习者在fetch_covtype数据集上的应用。 此处，与未标记数

ALiPy 提供了一个基于模块的主动学习框架实现，允许用户方便地评估、比较和分析主动学习方法的性能。它实现了 20 多种算法，还支持用户在不同设置下轻松实现自己的方法。

SASO-Submission 29：“有效采样集体控制模型的主动学习” SASO 论文中提供的实验的源代码 测量数据的评估、分析和绘图可以在找到。 该自述文件解释了执行 SASO 论文中提出的实验的所有必要步骤。 请注意，实验实际上是在一个集群上进行的，每个集群有 4 个内核和 32 GB RAM，因此运行时间会因您的实现而有很大差异。 但是，通过我们的努力，我们希望能够更轻松地验证和交流我们的方法。 ================================python 本身的主动学习算法可以在《CSP Model Abstraction/python /activeLearner”，可以由脚本“testActiveLearner.py”执行。 与其余实验套件的集成受第 6 步的约束。 ================================== = CAVEA