车祸事故项目 道路交叉口经常发生交通事故。 一个能够在发生事故时发出警告的系统是对事故做出快速响应的必要条件。 我们的项目能够检测到尤其在道路交叉口发生的“ T”形事故。 在项目中，通过查看被检测对象的坐标相交来进行事故检测。 Darknet YOLO V3用于事故检测。 通过查看汽车，摩托车，自行车和公共汽车的坐标来进行事故检测。 该算法在白天碰撞视频期间在单车道道路上的“ T”形碰撞中正常工作。 该项目是在Ubuntu 18.04操作系统上开发的。 在您自己的计算机上运行项目 在计算机上安装 。 将将Darknet构建后创建的“ darknet.so”文件粘贴到项目目录中，并将文件名更改为“ libdarknet.so”。 创建虚拟环境（Python 3.6） 上传所需的库可在requirements.txt 。 在项目目录中时， pip install -r requirem

肿瘤图片分类代码，可应用于医疗病理学图片的分类（可通用于各种医疗图像图片的分类），具有良好的效果，可供大家学习

张量 使用TensorFlow轻松进行图像分类 （） 要求： Mac或Linux机器 Python 3.5、3.6或3.7 您可以使用TensorPy对图像进行分类，只需在命令行中传递一个URL，或在Python程序中使用TensorPy。 完成所有实际工作。 TensorPy还通过将多个设置步骤自动化到一个脚本中来简化TensorFlow的安装（有关详细信息，请参见 ）。 （请阅读 ，以详细了解TensorPy的工作原理。） Mac和Ubuntu / Linux的设置步骤 （ Windows和Docker用户：有关在Docker计算机上运行的信息，请参阅。Windows需要Docker运行TensorFlow。） 步骤1：创建并激活一个名为“ tensorpy”的虚拟环境 如果不确定如何创建虚拟环境，请进行。 步骤2：从GitHub克隆TensorPy存储库 git clone

Keras CNN分类器 该存储库提供代码以根据Tensorflow 2.0中Keras API提供的预训练卷积神经网络（CNN）设置和训练自己的图像分类器。 您可以利用转移学习对自己收集的数据集进行训练，或者从头开始训练网络以比较大型数据集的性能。 如何使用 这个仓库的主要代码包含在ClassifierCNN类Classifier.py 。 您真正需要做的就是导入该类，设置一个适当的实例来指定所需的数据集和模型，一切顺利。 下面提供了一些示例： # Import pre-trained Keras CNN Model from keras.applications.densenet import DenseNet169 # Import ClassifierCNN class from Classifier import ClassifierCNN # Instantiate clas

图像分类张量流 用于图像分类的cnn模型

这是论文《Gaussian Pyramid Based Multiscale Feature Fusion for Hyperspectral Image Classification, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(9), 3312-3324》的代码，更多详情可在纸上找到。 如果你使用这个演示，请引用这篇论文。 要运行此演示，您应该先下载 libsvm-3.20。 libsvm-3.20可从https://www.csie.ntu.edu.tw/~cjlin/libsvm/获得

这是论文“Density Peak Clustering-based Noisy Label Detection for Hyperspectral Image Classification, IEEE Transactions on Geoscience and Remote Sensing, 2018, (Accepted)”的代码，更多细节可以在论文中找到。 如果你使用这个演示，请引用这篇论文。 要运行此演示，您应该先下载 libsvm-3.22。 libsvm-3.22 可在https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 获得

人脸识别 这个仓库是使用TensorFlow 2.0框架，并基于 论文上完成的，其中主要分为四大块：人脸检测、人脸矫正、提取特征和特征比对。各个模块的大小和在我的 17 款 macbook-pro 的 CPU 上跑耗时如下： 人脸检测：使用的是 mtcnn 网络，模型大小约 1.9MB，耗时约 30ms； 人脸矫正：OpenCV 的仿射变换，耗时约 0.83ms； 提取特征：使用 MobileFaceNet 和 IResNet 网络，耗时约30ms； 特征比对：使用曼哈顿距离，单次搜索和完成比对耗时约 0.011 ms； 注册人脸 注册人脸的方式有两种，分别是: 打开相机注册: $ python register_face.py -person Sam -camera 按 s 键保存图片，需要在不同距离和角度拍摄 10 张图片或者按 q 退出。 导入人脸图片: 保证文件的名字与注册人名相

这是论文“PCA based Edge-preserving Features for Hyperspectral Image Classification, IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(12), 7140-7151.”的代码，更多细节可以在论文中找到。 如果你使用这个演示，请引用这篇论文。 要运行此演示，您应该先下载 libsvm-3.22。 libsvm-3.22 可在https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 获得

Breast Ultrasound Image Classification Based on Multiple-Instance Learning