一、实验目的 1、复习主成分分析的原理和算法 2、使用sklearn库函数实现对鸢尾花数据集的主成分分析，观察主成分分析的作用 3、（选做）解读基于主成分分析和支持向量机的人脸识别程序 二、实验步骤 1、导入鸢尾花数据集，查看数据分布情况： 选取三个特征查看数据分布情况 选取两个特征查看数据分布情况 2、使用主成分分析函数对鸢尾花数据集降维 3、对降维后的数据集和原始数据集分别进行线性判别分析，比较分析的准确率 4、（选做）使用数值计算方法实现步骤2，深入了解主成分分析的实现过程 三、实验结果与讨论 1、简单清楚的叙述主成分分析的过程 2、绘制人脸识别程序的流程框图

1.项目基于FasterRCNN 模型，通过RPN 网络获取图片候选区域，以Restnet50 提取特征，实现生活垃圾的智慧分拣。 2.项目运行环境：硬件环境和Python 环境。其中FasterRCNN 对计算要求较高，有一部分是Restnet50 的卷积层。必须使用较大内存的GPU 才可以完成训练。在本项目中，用华为云提供的模型训练服务（GPU tesla P100)实现，链接:https://www.hwtelcloud.com/products/mts。 3.项目包括2个模块：5 个模块：数据预处理、数据加载、模型构建、模型保存及训练、模型加载及调用。数据下载地址： https://pan.baidu.com/s/1ZAbzYMLv0fcLFJsu64u0iw，提取码 yba3 4.准确率评估：本部分包括模型准确率和分类别准确率。数据总体准确率为 0.840 识别效果比较理想。其中面包、菜根、瓜子壳的类别准确率较低。

使用pytorch写的mobilenet v2代码，详细注释，可以生成训练集和测试集的损失和准确率的折线图，详细注释了神经网络的搭建过程

LFW数据集主要测试人脸识别的准确率，该数据库从中随机选择了6000对人脸组成了人脸辨识图片对，其中3000对属于同一个人2张人脸照片，3000对属于不同的人每人1张人脸照片。测试过程LFW给出一对照片，询问测试中的系统两张照片是不是同一个人，系统给出“是”或“否”的答案。通过6000对人脸测试结果的系统答案与真实答案的比值可以得到人脸识别准确率。 这个集合被广泛应用于评价 face verification算法的性能。

史上最全猫狗二分类、以pytorch为基础的猫狗二分类、预测准确率超高的猫狗二分类、软件工程必看

经过公司CTO的帮助,完成了基于Java语言实现的,相似图像识别，基于直方图比较算法,经过测算此算法优于基于图像指纹的哈希算法.千金难买好代码.

digit_recognition 从头开始使用python进行tens_flow的digit_recognition。 该程序能够达到95％的准确率。 结构 初始化网络 共有3个完全连接的层，每层784、32、10个单位，并且每个层都使用Python内置结构来承载权重。 权重是通过介于（0，1）之间的正态分布来设置的。 [{'weights'：[0.7230910569842391，0.3597793079018069，0.6794622424433031，0.18301374299295925] ['weights'] [0：3]->重量。 ['weights] [-1]->偏见。 隐藏层 该结构在第一隐藏层中共有32个神经元。 Relu在这里用作激活功能。 我选择Relu而不是Sigmoid的两个原因是，Relu绝对在计算效率上更高。 第二个原因是在多层的情况下，Sigmoid函数

主页有解释博客，可参考 本文要解决的问题为预测问题，即给出seer提取的癌症病人数据，如A病人的患病时长，性别，年龄等信息以及他是否死亡，通过训练后，给出某个病人的信息后就可以判定他是否死亡，具有一定的现实意义。同理还有股票涨跌问题

基于传统图像处理方法实现手指静脉识别Matlab源码99.56%准确率+项目操作说明（毕设项目）.zip 【项目介绍】 本项目实现手指图像的处理和匹配算法，需要处理的数据是本人不同手指的图像，首先经过图像处理，使得指静脉的纹理增强凸显处理，然后将所有的这些图像进行相互间的匹配，检验类内和类间的匹配度，观察其是否能够明显区分开来，并据此计算正确率。 在本项目中，由于是基于算法原型的研究，因此我们选用了操作便捷的Matlab R2019b软件作为运行环境，在Windows 10 Pro for Workstation操作系统中实现算法。 图像预处理过程中，需要增强图像，提取手指区域，为识别做准备。拟采用CLAHE、直方图均衡、二值化等算法，以达到增强图像的效果；拟采用边缘检测算法实现手指的识别和提取 图像的特征提取和匹配过程中，拟采用两类不同的方法。一是局部不变特征提取算法。这些算法具有检测图像中的特征点，并对特征点的局部区域进行描述和匹配的功能。二是针对二值化图像的模板匹配，检测其匹配度。 SIFT——正确率93.625%

基于深度学习的猫狗识别算法,准确率99%