通过卷积神经网络学习人机交互 在我在东京大学的研究实习期间保存所做工作的资料库。 日本农业技术研究院。 这项研究是关于使用卷积神经网络（CNN）通过从力传感器中学习数据模式来对人类的几种触摸交互类型进行分类（p，划痕，轻击，硬压和中性）。 该传感器将人的触觉转换为3维力数据。 数据 每0.02秒（50 fps）使用pySerial获取数据。 十个人每次对传感器进行30次触摸交互并记录数据。 从数据统计数据中推断出一个合适的阈值，以区分噪声中的正信号和一个正事件（样本）的合适数量的帧。 通过将每个数据样本内插到40帧并对它们进行归一化以减少零偏噪声的影响，对数据进行预处理。 由于该数据集属于实验室中的个人，因此此处未共享。 即将完成涵盖受试者身份以保护其隐私的过程，然后将发布数据集。 该模型 使用Python中的Keras框架使用数据训练了CNN模型。 Adam优化器用于lr = 1

基于自动核分割和CNN模型的白细胞分类方法 概述： 这项工作是对白细胞（白血球）细胞核分段，定位和四种类型的白细胞（白血球）的细胞核分段算法.The完整描述的新的CNN模型为基础的分类，定位和CNN模型，可以发现。 这是工作摘要： 开发了一种用于WBC核分割的通用算法，并在四个WBC公开数据集中得到了验证。 根据细胞核和白细胞比率的统计分析确定白细胞（白细胞）的位置。 设计了一种新的CNN模型，以对四种类型的本地化和裁剪的WBC（白细胞）图像进行分类。 在“ wbc_nucleus_seg_localz”目录中共享WBC核的分割，定位和裁剪方法的代码。 请查看代码并在MATLAB上运行（推荐版本：MATLAB 2017a或2019a或更高版本）。 在“ wbc_classify_cnn_model”目录中共享裁剪的WBC图像的数据集生成，CNN模型的训练和训练后的模型的推断的代

使用目标检测的Deep-CNN模型 在这种情况下，使用预训练的卷积神经网络（CNN）MobileNet SSD（单发多盒检测器）模型来检测对象，并通过在对象上方添加一个包含对象名称的框来将对象定位在图像边界内等级和准确性。 mobilenet-ssd模型是旨在执行对象检测的Single-Shot Multibox Detection（SSD）网络。 通过使用SSD，我们只需要单张拍摄即可检测图像中的多个对象。该模型是使用Caffe *框架实现的。 要运行代码，只需运行RUN：python object_detection_image.py或python realtime_object_detection.py

介绍： 用于人类活动识别的LSTM-CNN模型第一个可穿戴的数据集是“ ，该包含30位受试者的记录，这些受试者在进行带有腰部安装式智能手机的嵌入式智能手机的同时进行日常生活（ADL）活动。 每个人都在腰上佩戴智能手机（三星Galaxy S II）进行六项活动。 从嵌入式加速度计和陀螺仪中，以50Hz的恒定速率捕获3轴线性加速度和3轴角速度。 标签是通过视频记录的。 传感器信号通过应用噪声滤波器进行预处理，然后在2.56秒和50％重叠（128个读数/窗口）的固定宽度滑动窗口中采样。 通过从时域和频域计算变量，从每个窗口获得了561个特征的向量。 另一个可穿戴数据集是数据集，该数据集包含十名志愿者在执行12项常见活动时的身体运动和生命体征记录。 放置在对象胸部，右手腕和左脚踝上的传感器用于测量身体各个部位所经历的运动，即加速度，转弯速率和磁场方向。 置于胸部的传感器还提供2导联心电图测量，可

使用PyTorch进行深度排序 更新（1-1-2020） 变化 修正错误 重构代码 通过在gpu上添加nms来进行准确检测 最新更新（07-22） 变化 错误修复（感谢@ JieChen91和@ yingsen1进行错误报告）。 使用批处理为每个帧提取特征，这会导致速度提速。 代码改进。 进一步的改进方向 在特定数据集而不是官方数据集上训练检测器。 在pedestrain数据集上重新训练REID模型以获得更好的性能。 将YOLOv3检测器替换为高级检测器。 欢迎对此存储库做出任何贡献！ 介绍 这是MOT跟踪算法深度排序的一种实现。 深度排序与排序基本相同，但深度CNN模型添加了CNN模型以提取受检测器限制的人体部位图像中的特征。 这个CNN模型确实是一个RE-ID模型， 使用的检测器是FasterRCNN，原始源代码是 。 但是，在原始代码中，CNN模型是使用tensorf

介绍 这是PyTorch中Kim的论文的实现。 Kim在Theano中对该模型的实现： ： Denny Britz在Tensorflow中有一个实现： : 亚历山大·拉赫林（Alexander Rakhlin）在Keras的执行； 要求 Python3 火炬> 0.1 火炬文本> 0.1 麻木 结果 我只是尝试了两个数据集，即MR和SST。 数据集 班级人数 最佳结果 金的论文结果 先生 2个 77.5％（CNN-rand-static） 76.1％（CNN-rand-nostatic） SST 5 37.2％（CNN-rand-static） 45.0％（CNN-rand-nostatic） 我没有为SST认真调整超参数。 用法 ./main.py -h 或者 python3 main.py -h 你会得到： CNN text classificer o