- 博客(21)
- 收藏
- 关注
原创 006yolov5加deepsort进行目标跟踪
083基于深度学习的手势识别小程序版本_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型。综合来说,YOLOv5 DeepSORT是一个强大的多目标跟踪系统,通过结合先进的目标检测和跟踪算法,能够在实时视频中准确地检测和跟踪多个目标,具有广泛的应用潜力,包括监控、自动驾驶、人机交互等领域。
2023-09-11 21:20:20 384 1
原创 010基于深度学习是否感染COVID分类检测
卷积操作使用一个小的可学习的滤波器(也称为卷积核)在输入数据上进行滑动窗口形式的局部操作,从而捕捉到不同位置的局部特征。082基于CNN卷积网络的手势识别阿拉伯数字pyqt版本_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型。其优点包括对平移、缩放和旋转等图像变换的鲁棒性、良好的特征提取能力以及较少的参数需求。
2023-09-11 21:15:23 157
原创 009小程序版本中草药识别-自制数据集
083基于深度学习的手势识别小程序版本_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型。016基于CNN卷积网络的人脸识别打卡签到_resnet_mobilenet_efficientnet等。算法部分包括中草药的数据集文件夹下放的是不同类别的中草药文件夹,搜集对应的中草药图即可。
2023-09-11 21:13:44 425
原创 008目标检测人脸和口罩是否佩戴
089基于深度学习的小样本数据检测_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型。它采用了一系列的优化策略,包括使用更大的网络结构、引入新的特征提取模块、改进的数据增强技术以及更高级的训练策略。因此,它在许多应用领域,如智能监控、无人驾驶、人脸识别等方面具有广泛的应用前景。
2023-09-11 21:12:15 119
原创 007CycleGAN风格变化
083基于深度学习的手势识别小程序版本_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型。CycleGAN是一种用于图像转换的深度学习模型,它能够将一个域中的图像转换成另一个域中的图像。具体而言,CycleGAN可以在两个不同的图像域之间进行无监督的图像转换,例如将马的图像转换成斑马的图像。
2023-09-11 21:10:31 106
原创 005基于svm支持向量机实现多类别识别
089基于深度学习的小样本数据检测_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型。这些传统图像分类检测算法在一些简单的图像分类任务上表现良好,但随着深度学习的发展,卷积神经网络(CNN)等深度学习算法在图像分类领域取得了显著的进展,特别是在大规模和复杂数据集上的分类任务中。它被广泛应用于目标检测和人体姿态估计等任务。
2023-09-11 21:06:59 384
原创 004通过svm支持向量机进行目标检测
直接上效果图:代码展示:数据集在data文件夹下需要检测的目标对象数据集放在positive文件夹下不需要的检测对象放在negative文件夹下运行01train_SVM.py即可训练训练结束后会保存模型在weights文件夹下运行02pyqt.py会有一个可视化的界面,通过点击按钮加载图片识别。科普相关知识:PyQt 是一个用于开发图形用户界面(GUI)的Python绑定库。
2023-09-11 21:04:48 142
原创 003使用深度学习方法检测水果小程序版本
基于这些观察结果,EfficientNet使用了一个称为Compound Scaling的方法,同时增加了模型的深度、宽度和分辨率,以在资源受限的环境下取得更好的性能。ALexNet采用了多层卷积层和全连接层的结构。082基于CNN卷积网络的手势识别阿拉伯数字pyqt版本_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型。
2023-09-11 21:01:25 115
原创 002基于Unet的深度学习图像分割的墙体裂缝识别检测
在解码器的每一层,通过跳跃连接将对应的编码器层的特征图与解码器层的特征图进行合并,从而保留了多尺度的特征信息。082基于CNN卷积网络的手势识别阿拉伯数字pyqt版本_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型。随着深度学习的发展,基于Unet的改进和变种也不断涌现,进一步提升了图像分割的性能和效果。
2023-09-11 20:58:45 975
原创 基于CNN卷积神经网络的中文汉字识别检测
基于这些观察结果,EfficientNet使用了一个称为Compound Scaling的方法,同时增加了模型的深度、宽度和分辨率,以在资源受限的环境下取得更好的性能。与传统的网络相比,GoogleNet具有更深的结构,但通过合理的设计和使用1x1的卷积核进行降维操作,成功地减少了计算复杂度和参数数量。相比于之前的模型,VGG采用了更多的卷积层和池化层,达到了16或19个卷积层的深度。同时,VGG中的卷积层都使用了较小的3x3卷积核,并且连续堆叠多次,以增加网络的非线性表达能力。
2023-09-08 22:20:25 937 2
原创 091基于深度学习的手写汉字数字识别含10多种模型
基于这些观察结果,EfficientNet使用了一个称为Compound Scaling的方法,同时增加了模型的深度、宽度和分辨率,以在资源受限的环境下取得更好的性能。与传统的网络相比,GoogleNet具有更深的结构,但通过合理的设计和使用1x1的卷积核进行降维操作,成功地减少了计算复杂度和参数数量。相比于之前的模型,VGG采用了更多的卷积层和池化层,达到了16或19个卷积层的深度。同时,VGG中的卷积层都使用了较小的3x3卷积核,并且连续堆叠多次,以增加网络的非线性表达能力。
2023-09-08 22:10:14 478 4
原创 090基于深度学习的车辆速度检测
基于这些观察结果,EfficientNet使用了一个称为Compound Scaling的方法,同时增加了模型的深度、宽度和分辨率,以在资源受限的环境下取得更好的性能。与传统的网络相比,GoogleNet具有更深的结构,但通过合理的设计和使用1x1的卷积核进行降维操作,成功地减少了计算复杂度和参数数量。相比于之前的模型,VGG采用了更多的卷积层和池化层,达到了16或19个卷积层的深度。同时,VGG中的卷积层都使用了较小的3x3卷积核,并且连续堆叠多次,以增加网络的非线性表达能力。
2023-09-07 22:42:28 158
原创 089基于深度学习的小样本数据检测
基于这些观察结果,EfficientNet使用了一个称为Compound Scaling的方法,同时增加了模型的深度、宽度和分辨率,以在资源受限的环境下取得更好的性能。与传统的网络相比,GoogleNet具有更深的结构,但通过合理的设计和使用1x1的卷积核进行降维操作,成功地减少了计算复杂度和参数数量。相比于之前的模型,VGG采用了更多的卷积层和池化层,达到了16或19个卷积层的深度。同时,VGG中的卷积层都使用了较小的3x3卷积核,并且连续堆叠多次,以增加网络的非线性表达能力。
2023-09-07 22:41:18 176
原创 088基于深度学习的番茄病害检测小程序版本
基于这些观察结果,EfficientNet使用了一个称为Compound Scaling的方法,同时增加了模型的深度、宽度和分辨率,以在资源受限的环境下取得更好的性能。与传统的网络相比,GoogleNet具有更深的结构,但通过合理的设计和使用1x1的卷积核进行降维操作,成功地减少了计算复杂度和参数数量。相比于之前的模型,VGG采用了更多的卷积层和池化层,达到了16或19个卷积层的深度。同时,VGG中的卷积层都使用了较小的3x3卷积核,并且连续堆叠多次,以增加网络的非线性表达能力。
2023-09-07 22:40:44 52
原创 087基于深度学习的工地安全帽检测
基于这些观察结果,EfficientNet使用了一个称为Compound Scaling的方法,同时增加了模型的深度、宽度和分辨率,以在资源受限的环境下取得更好的性能。与传统的网络相比,GoogleNet具有更深的结构,但通过合理的设计和使用1x1的卷积核进行降维操作,成功地减少了计算复杂度和参数数量。相比于之前的模型,VGG采用了更多的卷积层和池化层,达到了16或19个卷积层的深度。同时,VGG中的卷积层都使用了较小的3x3卷积核,并且连续堆叠多次,以增加网络的非线性表达能力。
2023-09-07 22:40:09 70
原创 086基于卷积神经网络的安全带是否佩戴检测
基于这些观察结果,EfficientNet使用了一个称为Compound Scaling的方法,同时增加了模型的深度、宽度和分辨率,以在资源受限的环境下取得更好的性能。与传统的网络相比,GoogleNet具有更深的结构,但通过合理的设计和使用1x1的卷积核进行降维操作,成功地减少了计算复杂度和参数数量。相比于之前的模型,VGG采用了更多的卷积层和池化层,达到了16或19个卷积层的深度。同时,VGG中的卷积层都使用了较小的3x3卷积核,并且连续堆叠多次,以增加网络的非线性表达能力。
2023-09-07 22:39:24 75
原创 085基于目标检测的马路坑洼积水检测
基于这些观察结果,EfficientNet使用了一个称为Compound Scaling的方法,同时增加了模型的深度、宽度和分辨率,以在资源受限的环境下取得更好的性能。与传统的网络相比,GoogleNet具有更深的结构,但通过合理的设计和使用1x1的卷积核进行降维操作,成功地减少了计算复杂度和参数数量。相比于之前的模型,VGG采用了更多的卷积层和池化层,达到了16或19个卷积层的深度。同时,VGG中的卷积层都使用了较小的3x3卷积核,并且连续堆叠多次,以增加网络的非线性表达能力。
2023-09-07 22:38:51 135
原创 084基于CNN卷积神经网络的核桃品质检测
基于这些观察结果,EfficientNet使用了一个称为Compound Scaling的方法,同时增加了模型的深度、宽度和分辨率,以在资源受限的环境下取得更好的性能。与传统的网络相比,GoogleNet具有更深的结构,但通过合理的设计和使用1x1的卷积核进行降维操作,成功地减少了计算复杂度和参数数量。相比于之前的模型,VGG采用了更多的卷积层和池化层,达到了16或19个卷积层的深度。同时,VGG中的卷积层都使用了较小的3x3卷积核,并且连续堆叠多次,以增加网络的非线性表达能力。
2023-09-07 22:38:10 59
原创 083基于深度学习的手势识别小程序版本
基于这些观察结果,EfficientNet使用了一个称为Compound Scaling的方法,同时增加了模型的深度、宽度和分辨率,以在资源受限的环境下取得更好的性能。与传统的网络相比,GoogleNet具有更深的结构,但通过合理的设计和使用1x1的卷积核进行降维操作,成功地减少了计算复杂度和参数数量。相比于之前的模型,VGG采用了更多的卷积层和池化层,达到了16或19个卷积层的深度。同时,VGG中的卷积层都使用了较小的3x3卷积核,并且连续堆叠多次,以增加网络的非线性表达能力。
2023-09-07 22:37:24 74
原创 082基于CNN卷积网络的手势识别阿拉伯数字pyqt版本
基于这些观察结果,EfficientNet使用了一个称为Compound Scaling的方法,同时增加了模型的深度、宽度和分辨率,以在资源受限的环境下取得更好的性能。与传统的网络相比,GoogleNet具有更深的结构,但通过合理的设计和使用1x1的卷积核进行降维操作,成功地减少了计算复杂度和参数数量。相比于之前的模型,VGG采用了更多的卷积层和池化层,达到了16或19个卷积层的深度。同时,VGG中的卷积层都使用了较小的3x3卷积核,并且连续堆叠多次,以增加网络的非线性表达能力。
2023-09-07 22:36:41 73
原创 081基于深度学习的农业病虫害检测小程序版本
基于这些观察结果,EfficientNet使用了一个称为Compound Scaling的方法,同时增加了模型的深度、宽度和分辨率,以在资源受限的环境下取得更好的性能。与传统的网络相比,GoogleNet具有更深的结构,但通过合理的设计和使用1x1的卷积核进行降维操作,成功地减少了计算复杂度和参数数量。相比于之前的模型,VGG采用了更多的卷积层和池化层,达到了16或19个卷积层的深度。同时,VGG中的卷积层都使用了较小的3x3卷积核,并且连续堆叠多次,以增加网络的非线性表达能力。
2023-09-07 22:36:01 408
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人