基于卷积神经网络的垃圾图像分类系统研究与实现
本文主要研究了基于深度学习和 Flask 的垃圾分类系统的设计与实现过程。首先，提出一种基于卷积神经网络的垃圾图像分类模型 (Garbage Classification Network, GCN)，实验结果证明, GCN在垃圾分类数据集上取得了优异的结果, 能够有效地提高垃圾识别精度。其次，是Flask 应用程序开发部分，将深度学习模型应用于垃圾分类系统中。这个系统可以让用户上传垃圾图片，然后通过深度学习模型进行分类预测，最终展示预测结果给用户。这项研究为垃圾分类提供了一种新颖而高效的解决方案，能够促进环境保护和资源回收利用。
本代码基于python3.7.0配置numpy==1.19.5、Flask==1.0.2、Keras==2.2.4、tensorflow等
基于机器学习的人脸发型推荐算法研究与应用实现
该研究主要关注开发一种发型推荐系统，其目标是根据用户的面部形状识别最适合的发型。主要研究内容包括：
1.数据收集和分析：收集具有各种面部形状的用户照片，并标记其脸型，如长形、圆形、椭圆形、心形或方形。构建面部分类器以确定用户的脸型，使用机器学习技术构建模型。数据集包含约74位名人的约1500张图像，并存储到CSV文件中以供模型使用。
2.模型训练过程：导入数据，准备数据，并对特征进行标准化和降维。使用多种机器学习模型进行训练，包括MLP、KNN、随机森林、梯度提升和LDA模型。比较不同模型在面部形状分类任务上的性能，并选择最佳模型。
3.应用实现：基于Flask技术实现一个用于面部特征识别和发型推荐的应用程序。应用程序包括一个点击开始预测的功能，输出用户的面部形状分类结果和推荐的发型。
总的来说，该研究旨在帮助用户了解适合其脸型的最佳发型，并提供个性化的发型推荐服务。
基于人脸识别的发型推荐系统代码实现
该系统利用Python编程语言和相关库，结合Face++人脸识别API，实现了用户上传照片后的性别识别、脸型分析和发型推荐功能。首先，用户通过Tkinter GUI界面选择上传照片，系统使用PIL库打开并调整图像大小，然后利用Face++ API进行性别和脸型的识别。根据识别结果，系统从预先准备好的发型图片中选取适合的发型进行推荐，并展示给用户选择。发型推荐系统的实现过程可以分为以下几个主要1.界面设计与图像选择：使用Tkinter库设计用户界面，包括选择文件按钮和展示图片的区域。用户点击选择文件按钮，从本地文件系统中选择一张照片作为输入。2.图像处理与上传：使用PIL库打开用户选择的照片，并对其进行必要的调整，如调整大小。将处理后的图像上传至Face++ API进行人脸识别和分析。3.人脸识别与脸型分析：使用requests库向Face++ API发送HTTP请求，请求进行人脸检测、性别识别和脸型分析。Face++ API返回识别结果，包括性别和脸型等信息。4.发型推荐：根据性别和脸型等识别结果，从预先准备好的发型图片库中选取适合的发型图片。将选取的发型图片展示给用户，供其选择。
基于 LSTM 模型的古诗词自动生成算法实现及系统实现
近年来，研究者在利用循环神经网络（Recurrent Neural Network，RNN）进行古诗自动生成方面取得了显著的效果。但 RNN 存在梯度问题，导致处理时间跨度较长的序列时 RNN 并不具备长期记忆存储功能。随后，出现的基于长短期记忆网络（Long Short-Term Memory，LSTM）古诗自动生成方法在一定程度上解决了 RNN 的梯度问题。本文将LSTM 应用在古诗自动生成技术上，并利用sparse_categorical_crossentropy损失函数和Adam(lr=0.002)优化算法对 LSTM模型进行优化，最后利用 flask 设计web界面进行操作和查看，可以根据提示词生成不同结构的五言律诗、七言绝句及藏头诗。结表明，相对于传统的RNN模型，LSTM模型在古诗自动生成方面生成的古诗效果更好。
首先，通过设计和实现循环神经网络（LSTM）诗歌生成模型，包括模型结构的设计、参数的设置以及模型的训练过程。然后，根据用户输入的条件，调用相应的模型生成相应的诗歌内容，并结合 Flask 技术将生成的诗歌展示在前端界面上，供用户阅读。
基于VGG的图像风格迁移算法实现
这部分代码实现了图像风格迁移的功能。它的输入包括内容图片和风格图片，以及一些参数如迭代次数、损失权重等。模型的输出是合成的图片，它通过迭代优化生成，结合了内容图片和风格图片的特征。
具体实现过程包括：
加载内容图片和风格图片，并对它们进行预处理。
构建一个 VGG16 模型，用于提取图片的特征。
定义损失函数，其中包括内容损失和风格损失，以及它们的权重。
使用优化器对生成的图片进行优化，使其在内容和风格上与输入的内容图片和风格图片相匹配。
在优化过程中，对生成的图片进行迭代更新，直到达到指定的迭代次数。
最终，生成的图片保存在指定的路径下，作为模型的输出结果。
基于VGG的图像风格迁移算法实现及系统应用实现
2.图像风格迁移技术的Web应用
2.1基于Flask的Web应用
基于训练好的VGG16模型参数将实现的代码整合到Flask框架中，创建了一个基于卷积神经网络（CNN）图像风格迁移的Web系统。该代码被集成到项目的webapp中。选择Flask框架的原因是因为它是一个轻量级且高度可定制的框架，使用Python语言编写。相比于其他类似框架，Flask更加灵活、轻便、安全且易于上手。Flask具有很高的可定制性，开发者可以轻松地将他们想要的框架或功能集成到其中。
2.2 Web前端
本文的Web应用采用前后端分离的架构，所有功能通过API接口访问后台实现。在前端方面，使用了当下流行的前端技术，如jQuery和Vue等框架。jQuery是一个JavaScript框架，提供了一个强大的"$"符号，可以轻松地操作HTML的DOM结构，同时也方便地发起AJAX请求，有助于加快开发进度。
python实现视频转GIF动图（无水印，包含代码详解和.exe执行文件）
1.该代码提供了一个简单的界面，允许用户将视频转换为GIF动画，并且可以自定义采样率、GIF帧率和输出大小。修改后的代码将视频帧的大小调整为固定的尺寸，并在生成GIF动画时保持这个尺寸。
2.该代码GUI界面转化为了.exe程序，大家可以自己下载下来解压使用。解压后.exe程序存储在了./dist/mian1/文件下找到mian1.exe程序即可。
基于深度强化学习的DQN模型实现自动玩俄罗斯方块游戏（附详细代码讲解）
代码逻辑功能概述如下：1.这个代理使用DQN算法来学习最优的决策策略。
2.代理的目标是找到所有可能状态的最佳最终状态的组合，而不是传统方法中找到特定状态的最佳动作。
3.通过使用深度神经网络来逼近Q函数，代理可以处理大型状态空间的问题。
4.代码中使用经验回放技术和目标网络来优化训练过程，提高稳定性和效率。该游戏可以实现自己玩，控制方法为： W - 将方块顺时针旋转90度； A - 将方块向右移动一列； S - 将方块向下移动一行； D - 将方块向左移动一列； 空格键 - 快速落下方块； ESC - 退出游戏
算法中实现了 定义了run_model函数，用于训练和评估DQN代理的性能。在每个回合（episode）中，代理在Tetris游戏环境中执行动作，并收集游戏得分。
在该代码中play.py为玩家自己玩；train.py为训练模型过程；run_model.py为算法自己玩
基于穷举搜索的AI自动实现俄罗斯方块游戏
实现了一个简单的俄罗斯方块AI，用于预测并选择最优的形状放置位置，以尽可能消除更多的方块行。完整的代码下：（包含注释）
tetris_game.py是主函数，主要为应用界面的主函数。
tetris_model.py是游戏的数据模型。
tetris_ai.py是AI实现算法部分部分。
自己玩的规则：游戏板面是一个矩形网格，您需要使用方向键和空格键来控制方块的移动和旋转。
使用向上键：旋转当前形状，使其适应不同的空间布局。
使用向左键：将当前形状向左移动一个格子，改变其在横向上的位置。
使用向右键：将当前形状向右移动一个格子，改变其在横向上的位置。
使用空格键：立即将当前形状下落到最底部，以便快速堆叠方块。
如果您想暂停游戏，只需按下键盘上的“P”键即可。游戏会暂停在当前状态，您可以随时继续游戏。右侧面板会显示下一个即将出现的形状，这样您可以提前做好相应的准备。
Python 和pygamae实现的超级玛丽（包含代码,里面包含两个版本的游戏）
”超级玛丽”是一款横板卷轴游戏，玩家操控游戏角色跳跃障碍物，击杀怪物，获取道具，并最终到达指定地点，完成游戏。游戏过程中，镜头跟随角色推进，玩家通过硬币、道具，击杀怪物来获取分数。游戏关卡中包含:游戏角色，共包含五个形态，初始形态、变大形态、无敌形态、攻击形态以及死亡形态，基于不同的条件，不同形态之间可以发生转换;砖块，作为地形的一部分，分为可碎砖块与不可碎砖块;管道，地形的一部分，宽度相同，但高度不同;道具，其隐藏在标记为“?”的砖块中，有时通过隐藏触发点也可获取道具，道具可增加分数，也可改变角色形态，降低游戏难度;怪物，其通过攻击可使得游戏角色死亡或者发生形态改变;旗帜，用于标记当前游戏关卡完成的终点位置，可获得一定分数;城堡，用于当前关卡完成后所播放的胜利特效;游戏角色的行走、奔跑、蹲下、受伤、死亡、重生以及形态的改变，打碎砖块，道具生成，怪物死亡，到达终点等均有特效动画或音乐。
控制：
方向键控制方向
'a' 表示跳跃
's' 表示攻击（发射、奔跑）
基于python和pygame实现的植物大战僵尸
游戏的实现流程和思路：
主菜单：游戏开始时，显示主菜单，提供游戏开始、继续、退出等选项。
关卡选择：玩家可以在关卡选择界面选择不同的关卡进行挑战。
游戏界面：进入游戏后，玩家会看到一片植物园的背景，并且屏幕上会有一系列僵尸从右侧进入，以及一系列可种植的植物卡片在下方的选择栏中。
种植植物：玩家可以选择植物卡片并在地图上种植，每种植物都有不同的功能和攻击方式，如向前发射豌豆、寒冰等。
抵御僵尸：种植的植物会自动攻击靠近它们的僵尸，玩家需要合理布局植物，让它们尽可能地击败更多的僵尸，防止僵尸进入自己的家园。
获取阳光：阳光是一种游戏资源，可以用来购买更多的植物卡片。玩家可以通过收集掉落的阳光或种植特定的植物来获取阳光。
游戏失败：如果有僵尸成功进入家园，玩家失败，游戏结束，可以选择重新开始或返回主菜单。
基于深度神经网络的肺炎检测系统实现
实现一个功能完善的Web应用程序，用户可以通过上传肺部X射线和CT扫描图像，在界面上查看模型对图像的分类结果，并可视化显示模型分类的依据，从而帮助医生快速、准确地进行肺部图像的检测和诊断。
1.定义了一个Flask应用程序并配置了不同的路由，以处理不同页面的请求。例如，新闻、关于、FAQ、预防、上传图像进行检测等页面。
2.读取并加载预训练的TensorFlow模型（ResNet架构），用于图像分类任务。其中，有两个不同的模型，一个用于处理肺部X射线图像，另一个用于处理CT扫描图像。
3.定义了GradCAM类，用于计算特定类别的图像梯度和热图。GradCAM是一种可解释性技术，可以确定模型分类决策时关注的图像区域。
4.在上传肺部X射线和CT扫描图像后，分别进行预处理，包括调整大小、去除边框、裁剪等。然后，将预处理的图像输入到相应的模型中进行分类，并计算GradCAM热图。
5.生成GradCAM热图后，将其与原始图像进行叠加，以在Web界面上显示可视化的GradCAM结果。
6.根据分类结果和分类的置信度分数，向用户展示结果页面，包括分类标签和相应的GradCAM图像。
手把手教你实现-基于OpenCV的车流量统计和车速检测代码
实现了一个简单的车辆速度估计和车流量统计的GUI应用，它使用了Haar级联检测器和相关跟踪器来检测和跟踪视频中的车辆，并通过图像处理和数学计算来估计车辆的速度。
包含功能函数如下：
1.导入必要的库和模块，包括Tkinter、filedialog、cv2（OpenCV）、threading和PIL等。
2.定义全局变量，包括视频路径（video_path）和最高速度（highest_speed）。
3.定义了一个用于估计速度的函数estimateSpeed(location1, location2, fps)。它基于两个位置坐标和帧率来计算速度。
4.定义了一个跟踪多个对象的函数track_multiple_objects()，其中包含一个无限循环。循环中的主要步骤如下：
5.定义了打开文件的函数open_file()，用于选择要处理的视频文件，并启动一个新线程（process_video）来处理视频。
6.定义了处理视频的函数process_video()，其中包括初始化视频并调用track_multiple_objects()进行跟踪。
7.定义了更新最高速度和视频帧的函数等
头盔检测数据标注程序（基于深度学习的安全帽检测数据集适用于YOLOv5模型）
使用图像处理库（如OpenCV）和图形用户界面（GUI）库（如Tkinter）来实现。下面是一个简单的Python代码示例，展示了如何使用OpenCV和Tkinter创建一个图形界面，并在图像上绘制矩形框来标注头盔的位置，并保存标注的结果。
lxml==4.3.0
numpy==1.16.0
opencv-contrib-python==3.4.5.20
tqdm==4.29.1
头盔检测数据标注程序（基于深度学习的安全帽检测数据集适用于YOLOv5模型）
基于双分支残差结构的低光照图像增强研究与应用实现
1.实现了一个DR-Net模型和三个对比模型：在低光条件下拍摄的照片会因曝光不足而产生一系列的视觉问题，如亮度低、信息丢失、噪声和颜色失真等。为了解决上述问题，提出一个结合注意力的双分支残差低光照图像增强网络。首先，采用改进InceptionV2提取浅层特征；其次，使用残差特征提取块（RFB）和稠密残差特征提取块（DRFB）提取深层特征；然后，融合浅层和深层特征，并将融合结果输入亮度调整块（BAM）调整亮度，最终得到增强图像，该模型整体命名为双分支残差网络（Dual-branch Residual Network for lowlight image enhancement， DR-Net）。实验结果表明，在LOL（LOw-Light）数据集上，所实现的网络模型能够在提高低光照图像亮度的同时降低噪声，减少了颜色失真和伪影，得到的增强图像更加清晰自然。
2.实现了一个GUI界面.实现了一个基于GUI的图像增强应用程序。使用load_model函数加载预先训练好的模型文件（'model.h5'），该模型用于图像增强。通过模型对图像进行预测，并根据预测结果和输入图像进行像素级别的操作，以实
基于ISIC数据集的皮肤病黑色素瘤分类研究与实现
一、数据集介绍
ISIC数据集是用于皮肤病诊断和研究的公开医学图像数据集。其中包含大量的皮肤病图像，涵盖了各种不同类型的皮肤疾病和病变，如黑色素瘤、鳞状细胞癌、基底细胞癌等。ISIC数据集可在其官方网站免费获取和下载，并被广泛应用于医生和研究人员的皮肤病诊断和研究工作中。
二、分类模型设计与实现
通过使用Keras构建一个简单的残差模型，对皮肤病图像进行分类。该模型利用卷积、批归一化和残差连接等操作提取图像特征，并通过全局平均池化和全连接层实现分类预测。
三、应用实现
基于训练好的模型参数，结合Flask框架实现一个简单的Web应用，用户可以上传图像文件进行皮肤病预测。上传的图像将经过预处理并通过模型进行分类预测，最后将预测结果显示在界面上。
四、总结
本项目利用残差网络结构对皮肤病图像进行分类，提高了皮肤病诊断的准确度。通过该系统，医生和研究人员可以快速获得对给定皮肤病图像的最高概率诊断，从而帮助提高皮肤病诊断的准确性，并推动皮肤影像学的进展。
基于机器学习的肝病患者智能诊断及系统实现
印度肝病患者数据集（Indian Liver Patient Dataset）包含416名肝病患者记录和167名非肝病患者记录。数据集是从印度安德拉·普拉德什东北部收集的。标签列label用于区分患肝病和不患肝病。此数据集包含441名男性患者记录和142名女病人记录。
本文实现了ANN模型进行肝病预测，并基于flask框架实现了一个应用界面系统，在界面输入相关数据可以实现肝病的实时预测。
肝病患者智能诊断系统
基于土壤数据与机器学习算法的农作物推荐算法代码实现
近年来，机器学习方法在农业领域的应用取得巨大成功，广泛应用于科 学施肥、产量预测和经济效益预估等领域。根据土壤信息进行数据挖掘，并在此基础上提出区域性作物的种植建议，不仅可以促进农作物生长从而带来经济效益，还可以改善土壤肥力，促进可持续发展。本文根据土土 壤养分元素[如：氮（N）、磷（P）、钾（K）等]的含量建立模型分析并且给出精准预测,可以实现了几种机器学习分类算法形成科学的种植方案,最终还实现了应用界面的实现。
基于机器学习的二手车价格预测及应用实现（预测系统实现）
随着中国汽车工业的迅速发展，国内的汽车数量也在迅速增长。新车销售市场已经逐渐饱和，而二手车交易市场正在兴起。但是，由于中国的二手车市场尚未成熟，与发达国家相比仍存在较大差距。其中一个重要原因是二手车的市场价格难以准确评估和设定，而且目前国内缺乏权威的评估机构和国家统一的二手车资产价值评估标准。因此，通过对二手车交易数据的分析和建立二手车零售交易价格预测模型具有重要意义。
1. 通过Python 的 Pandas 库中 read.csv() 命令对二手车数据进行分析，主要从构建特征指标、数据缺失值的删除和填补、指标异常值的剔除等方面进行数据清洗。
2.数据分析：展示二手车公司与二手车价格之间的关系等。
3.模型训练：选择合线性回归对数据进行训练，并使用交叉验证等技术进行模型评估和调优。
4.应用实现：二手汽车价格预测网站实现编程框架：Flask==1.1.2、Flask-Cors==3.0.8等。
基于卷积神经网络图像风格迁移系统的设计与实现（flask系统）
Leon Gatys 等人研发的深度神经网络使用神经的表达来分离任意图片的内容和风格，为生成艺术图片提供一个神经算法。本文基于Style Transfer算法，使用风格成本函数训练CNN，用卷积神经网络提取图像特征，依次提取内容图像的内容和风格图片的风格。因此，本文的主要工作就是实现Gatys等人提出的基于卷积神经网络（CNN）的图像风格迁移，并在此基础上基于flask实现一个图像风格迁移web应用。
环境配置：
python3.7.6
certifi==2020.4.5.1
click==7.1.2
gunicorn==20.0.4
itsdangerous==1.1.0
Jinja2==2.11.3
MarkupSafe==1.1.1
Werkzeug==1.0.1
wincertstore==0.2
numpy==1.18.4
Flask==1.1.2
opencv-python==4.2.0.34
imutils==0.5.3
该应用实现了在 Web 上进行快速图像风格迁移的功能以及美图欣赏等功能。
基于深度学习的人脸检测和识别（相似人脸识别）
基于Flask和HTML的人脸识别演示系统，可以返回相似的三个人脸图像。
其包含基于面部特征、LBP和ResNet的深度神经网络。它还支持通过网络摄像头进行实时人脸检测。
对于深度人脸识别，该系统支持resnet-10、resnet-20和resnet-64网络模型。
该系统可以支持网络摄像头的实时人脸捕捉、对齐和检测。PyTorch中的MTCNN用于面部标志检测。如果数据库中没有他的/她的脸，用户可以将他/她的脸注册到数据库中。
最相似的3张脸将由最大余弦相似度决定。
运行环境：python3.7\tensorflow\pytorch-GPU、pytorch-CPU版本等。
基于LSTM-GRU的道路交通流量预测系统实现
在交通需求日益增长的今天,一系列的交通问题也相继出现,其中表现最明显的当属交通拥堵问题.为了有效地缓解此问题,智能交通系统(ITS)被广泛应用于动态交通管理中,而短时交通流作为相关交管部门实行管控的重要依据,一直是智能交通系统(ITS)的重点研究内容.准确的短时交通流预测不仅能实现对交通状态的动态把控并据此实施交通诱导,还能为出行者提供实时,具体的道路信息,提高道路通行能力.针对当前道路交通流预测方法不能充分揭示交通流内部本质规律的问题,提出一种基于深度学习的预测模型,利用长短期记忆网络(LSTM),对交通流量进行了预测.结果显示,提出的预测模型具有较高的准确性,是一种有效的交通流预测方法.
包含：数据集、模型代码及系统实现
运行环境：python3.7.6 配置tensorflow==2.1.0、Keras==2.3.1等，内含配置文件。
参考博客内容：
https://blog.csdn.net/weixin_40651515/article/details/128690977?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22r
residual-attention-network模型用于交通标识分类 和相关数据集
residual_attention_network模型用于交通标识分类。
数据集介绍
这次实验所使用的数据集是GTSＲB，包括了各种气候条件下，各种各样的交通标志图像。GTSRB 数据集由 43 类交通标志组成，共有 39209 张 训练样本和 12630 张测试样本，样本像素的尺寸范围 大多为 15 × 15 到 250 × 250 之间。
在本项目项目中，我们将构建一个深度神经网络模型，并将其命名为residual_attention_network,即在残差网络的基础上引入注意力机制，并在 GTSRB交通标志数据集上进行实验，实验结果 表明改进后的残差网络在识别准确率上有明显提高，该模型经过训练可以将图像中存在的交通标志分类为不同的类别。
实验环境：python3.7，keras==2.2.4,tensorflow==1.12
把依赖库安装完就可以运行了。
基于图像分割的疲劳检测方法研究数据集
用于疲劳检测的数据集，数据集分为两类：疲劳状态和非疲劳状态，每个状态下都是人脸部图像的分割图像。
在该模型架构下：将人脸图像作为输入，从中检测并裁剪出面部特征点，这些裁剪出的面部特征，如眼睛、眼圈（眼睑）、鼻子、嘴巴以及整个面部皮肤图像等五个部分分别作为输入有针对性的训练各个模型，然后各个模型将预测返回输入图像所对应的疲劳值，最终将这些值加权求和，（眼睛和黑眼圈的权重更高）最终值来确定一个人的疲劳程度。
基于人脸关键点检测的驾驶员睡意检测系统
驾驶员注意力不集中或者分心是道路交通事故的主要原因。 为了减少道路交通事故，设计开发驾驶员疲劳检测系统至关重要。本次实现的应用运用开源库Dlib训练好的模型“shape_predictor_68_face_landmarks.dat”进行68点标定，利用OpenCv进行图像化处理，在人脸上画出68个点，并标明序号。当检测到驾驶员的眼睛闭上4-5 秒时候，就会产生警报。
点击驾驶员困倦检测时，系统会自动打开电脑摄像头，你便可以模拟驾驶室的角色进行测试，当驾驶员在驾驶过程中闭眼，且超过5s系统会触
环境配置：python3.7、配置以下包 tensorflow>=1.12* keras==2.2.4 等。
人脸关键点检测是人脸识别任务中重要的基础环节，人脸关键点精确检测对众多科研和应用课题具有关键作用，如：表情识别、疲劳监测等。因此，如何获取高精度人脸关键点，一直以来都是计算机视觉、模式识别、图像处理等领域的热点研究问题。然而人脸关键点检测方法根据是否需要参数化模型可分为以下两类，基于参数化形状模型的方法和基于非参数形状模型的方法。目前，最为常用的是基于非参数形状模型的深度学习方法。
教学辅助系统（作弊检测系统）教学辅助系统（学生考试监考系统）
在考试场中为学生监考十分枯燥，因此，建立一个可靠的作弊检测系统来识别学生是否存在作弊行为。以下有四个应用场景：
1.使用一个名为 Yolo3 的训练模型和一个名为 coco 的数据集，我们测试了考场中学生的书籍和手机，并将他们标记为作弊者。
2.使用haarcascade配置文件分类器，可以检测到学生转身，这样也被认定为作弊的学生。
3.此功能使用 OpenCV 和 YOLO 来监控/分析学生之间是否保持足够的距离。如何距离太近存在作弊嫌疑。
运行环境要求：
python3.7以上配置以下包
tensorflow>=2.5.0*
keras==2.4.3
imutils==0.5.4
numpy==1.19.5
opencv-python>=4.2.0.32
matplotlib==3.4.1
argparse==1.4.0
scipy==1.6.2
scikit-learn==0.24.1
pillow>=8.3.2
streamlit==0.79.0
onnx==1.10.1
tf2onnx==1.9.3
基于CNN 森林火灾检测研究应用实现
该项目是使用卷积神经网络进行检测森林火灾。
该数据集包含三类图像：“火”、“不火”、“开始火”，总共约 6000 张图像。
该模型可用于从森林的监控录像中检测火灾或火灾的开始或者未发生火灾。 该模型可以实时应用于低帧率监控视频（火灾移动速度不是很快的监控视频），并在发生火灾时发出警报。
一文读懂——全局注意力机制（global attention）详解与代码实现
Gobal Attention的目的：是为了在生成上下文向量（也可以认为是句向量）时将所有的hidden state都考虑进去。Attention机制认为每个单词在一句话中的重要程度是不一样的，通过学习得到一句话中每个单词的权重。即为关注重要特征，忽略无关特征。
本代码采样keras2.2.4\tensorflow1.12进行实现的。
PSO优化卷积神经网络模型参数（PSO优化CNN)
深度神经网络（DNN）在各种任务中取得了前所未有的成功，但是，这些模型性能直接取决于它们的超参数的设置。在实践中，优化超参数仍是设计深度神经网络的一大障碍。在这项工作中，我们建议使用粒子群优化算法（PSO）来选择和优化模型参数。在MNIST数据集上的实验结果显示：通过PSO优化的CNN模型可以得到不错的分类精度，此外，PSO 还可以提高现有模型结构的性能，PSO是自动化超参数选择和有效利用计算资源的有效技术。
针 对CＮＮ 算法的收敛速度较慢、过 拟合 等问题, 文章提出一种基于PSO和 CNN 模型的图像分类方法，在分析完CNN各超参数对其性能的影响后，引入 PSO 算法进行寻优以增强CNN网络模型的特征提取能力,模型将CNN算法中需要训练的参数作为粒子进行优化，将 更 新 的 参 数 用 于ＣＮＮ 算 法 的 前 向 传播，调整网络连接权矩阵迭代，直到误差收敛，停止算法，以达到最终的模型优化。
复杂背景下的森林火灾识别数据集
实验中所使用的样本来自点火实验中所拍摄的现场图片以及网络上森林火灾的相关图片。训练集中有 968 张森林背景图片，946 张复杂的森林火灾图片;测试集中有80 张森林背景图片，102 张复杂的森林火灾图片。训练集与测试集每一张图片均不重复。
针对森林火灾的特点，提出并设计一种基于卷积神经网络的森林火灾图像识别方法。通过实验，给出用于复杂背景下森林火灾识别的卷积神经网络结构，并对该结构进行训练和测试。结果表明，该方法具备较高的正确率，正确率达到 95% 。同时网络可自动提取特征，无需对输入图像进行复杂预处理，克服了传统算法许多固有的缺点，将其应用在森林火灾识别领域取得了很好的效果。最后，我们结合flaks框架构建了一个森林大火识别的API，在该系统下，我们通过后端调用模型，在页面中选择上传的图片，便可获得预测结果。
Residual Attention Network for Image Classification
相关复现代码
该模型设计的思想就是利用attention机制，在普通ResNet网络中，增加侧分支，侧分支通过一系列的卷积和池化操作，逐渐提取高层特征并增大模型的感受野，前面已经说过高层特征的激活对应位置能够反映attention的区域，然后再对这种具有attention特征的feature map进行上采样，使其大小回到原始feature map的大小，就将attention对应到原始图片的每一个位置上，这个feature map叫做 attention map，与原来的feature map 进行element-wise product的操作，相当于一个权重器，增强有意义的特征，抑制无意义的信息。
基于强化学习的坦克大战python语言实现
该游戏有两个系统。一个是玩家控制的小车。还有一个AI控制的坦克可以自动探寻敌方坦克所在位置，进行攻击。
运行run_examples.py文件，可以实现坦克战斗界面，其中：
machine_control()
# human_control()
两个函数进行选择性注释，第一个为增强学习后的坦克大战。第二个函数 human_control()为认为操作进行坦克大战。
run_RF.py函数实现了增强学习模型训练过程。
坦克大战功能：
人工操作坦克控制功能
使用pygame库之后，可以检测玩家的控制，当玩家按下按键后，就可以映射到我方坦克上，从而进行操控。基本操作是：
w——前进
s——后退
a——向左前进
d——向右前进
空格——发射导弹
Tensorflow（神经网络编程框架） 2.12
Keras（高级神经网络框架） 2.3.4
基于python的AI五子棋实现（极大极小值搜索和alpha beta剪枝）
基于python的AI五子棋实现（极大极小值搜索和alpha beta剪枝的实现与应用）
算法采用极大极小剪枝博弈算法。
运行环境：python3.6.5
基于Attention机制的BiLSTM语音情感识别研究与web系统实现
Attention-BiLSTM模型结构及所有核心代码：
1.model中实验的模型有BiLSTM、ATT-BiLSTM、CNN-BiLSTM模型；
Attention与BiLSTM模型首先Attention机制增强上下文语义信息，并获取更深层次特征，最后通过Softmax进行回归，完成所属语音情感的预测。
2.系统为用Flask搭建网页框架的语音识别系统界面；
对于提到的语音情感识别方法平台为基于Windows操作系统的个人主机，深度学习框架采用的是tensorflow和Keras，其中TensorFlow作为Keras的后端。具体配置如下python3.6.5、tensorflow=1.12、Keras=2.2.4、flask==1.0.2 、librosa等。
具体界面效果可以参考博客内容。
基于人脸识别技术的考勤签到系统
随着人工智能技术的发展，人脸识别技术应用到了生活的很多方面，本文利用人脸识别技术实现了人脸识别签到功能。具体采用 Python 语言以及 dlib 库、face_recognition 库以及 OpenCV 库完成人脸检测、人脸定位以及人脸采集以及签到功能。
系统设计分为两部分，一部分为用户端，一部分为管理端。管理端在系统管理员进入系统后可通过学号注册并上传照片；用户端则通过电脑端摄像头采集照片，与加入的用户注册照片进行比对签到是否成功。
本系统从实际背景和需求出发，采用人脸识别签到考勤改变了传统人工检验的做法，极大提高了组织效率和办事能力，在基于人脸识别技术的考勤签到系统中，在保证图像数据识别率的前提下有较高的实时性，稳定性若能良好的普及应用，对于大学校园教育的发展有着极大的积极意义。
实现技术：python3.6.5、opencv、sqlite数据库，Flask系统框架。
项目内含：项目代码、参考论文等。其中face class文件夹下面包含了人脸识别分类模型，其分别为MobileNet、Inception及VGG等5个对比模型。
点击test.py即可进行测试。
基于人脸识别技术的考勤签到系统
随着人工智能技术的发展，人脸识别技术应用到了生活的很多方面，本文利用人脸识别技术实现了人脸识别签到功能。具体采用 Python 语言以及 dlib 库、face_recognition 库以及 OpenCV 库完成人脸检测、人脸定位以及人脸采集以及签到功能。
系统设计分为两部分，一部分为用户端，一部分为管理端。管理端在系统管理员进入系统后可通过学号注册并上传照片；用户端则通过电脑端摄像头采集照片，与加入的用户注册照片进行比对签到是否成功。
本系统从实际背景和需求出发，采用人脸识别签到考勤改变了传统人工检验的做法，极大提高了组织效率和办事能力，在基于人脸识别技术的考勤签到系统中，在保证图像数据识别率的前提下有较高的实时性，稳定性若能良好的普及应用，对于大学校园教育的发展有着极大的积极意义。
实现技术：python3.6.5、opencv、sqlite数据库，Flask系统框架。
项目内含：项目代码、参考论文等。
点击test.py即可进行测试。
基于ResNet50的植物病害识别研究
数据集：本实验使用 Plant Village 公开数据集。本实验中的数据集共用 38个类别名称，代表38类病害。
代码：包含resnet50\ATT-ResNet\VGG等多个模型
实现环境：Python3.6.5、keras2.2.4、tensorflow1.12
基于ResNet50的植物病害识别系统应用实现
开发环境：Python3.6.5、keras2.2.4、tensorflow1.12、django等
系统应用：本部分在训练完植物叶片病害识别的模型参数后，将植物叶片病害识别的模型部署到Web中，前端负责获取用户在页面上传的图像并预处理，再向服务器发出AJAX请求，请求内容为待识别的图像。服务器端程序生成TF会话并加载训练好的模型，调用相应的视图函数将请求数据送入TF会话中计算，最后将识别结果异步回传到前端。
基于 LSTM-Attention 的中文新闻文本分类
引入Attention 机制，对 LSTM 模型进行改进，设计了LSTM-Attention 模型。
实验环境：开python3.6.5、tensorflow==1.12、keras==2.2.4
本文的实验数据集来源于搜狗实验室中的搜狐新闻 数据，从中提取出用于训练中文词向量的中文语料， 大小约为 4GB 左右．然后选取了10 个类别的新闻数据，分别为体育, 财经, 房产, 家居, 教育, 科技, 时尚, 时政, 游戏, 娱乐．每个类别 新闻为5000 条，共 50000 条新闻，利用这 50000 条 数据来训练模型．其测试集和验证集如下
验证集: 500*10
测试集: 1000*10
基于Spatial Dropout-GRU和TextCNN的中文影评情感分析
本文工作实现了两个模型： Spatial Dropout-GRU模型TextCNN模型，并分别测试了其情感分类效果。
开发环境：python3.6.5、tensorflow==1.12、keras==2.2.4
数据集：
1)训练集。包含2W条左右中文电影评论，其中正负向评论各1W条左右。
2)测试集。包含2w条左右中文电影评论，其中正负向评论各1W条左右。
RSS订阅
4219
14
