人工智能实战项目(python)+多领域实战练手项目
人工智能实战项目目录一、机器学习实战项目1.机器学习实战1-四种算法对比对客户信用卡还款情况进行预测2.机器学习实战2-聚类算法分析亚洲足球梯队 （待更新）...(待更新)二、深度学习实战项目1.深度学习实战1-(keras框架)企业数据分析与预测2.深度学习实战2-(keras框架)企业信用评级与
常用的视频帧提取工具和方法总结
视频理解任务最基础也是最主要的预处理任务是图像帧的提取。因为在视频理解任务中，视频可以看作是由一系列连续的图像帧组成的。
语义分割系列3-SegNet（pytorch实现）
本文介绍了SegNet网络结构，基于pytorch构建了SegNet模型，并在Camvid数据集上复现。
深度学习与图像识别：如何使用深度学习进行图像识别
深度学习是一种基于多层神经网络的机器学习方法，能够从大量的数据中自动提取特征和规律，从而实现复杂的任务，如图像识别。使用深度学习进行图像识别的通常方法是：构建一个以图像为输入，以类别或标签为输出的神经网络模型，然后利用大量的带有标注的图像数据来训练这个模型，使其能够在新的图像上做出正确的预测。- 数
Haar级联分类器概述
Haar级联分类器概述—— 才疏学浅, 难免有错误和遗漏, 欢迎补充和勘误.Haar级联分类器是基于Haar-like特征，运用积分图加速计算，并用Adaboost训练的强分类器级联的方法来进行人脸检测。目前常用Haar-like特征的分类有： 图1. Haar-like特征分类首先定义每个Haar
毕业设计-基于 Matlab 的电力系统稳定性分析与仿真
毕业设计-基于 Matlab 的电力系统稳定性分析与仿真：随着我国国民经济快速增长和高新技术发展 的趋势，我国工业结构的转变和经济发展对电能质 量提出了更高更严格的要求。为了建设坚强的智 能电网，全国电网互联则是一个行之有效并且充满 前途的提高电力系统稳定性的方案。在全国电网 互联的情况下，任意扰动
U-net网络详解
U-net网络详解
chatgpt4开放申请啦
chatgpt4开放申请啦
python opencv 绘制矩形、圆、线、多边形
opencv 绘制矩形、圆、线
LabVIEW人工智能深度学习指南
使用LabVIEW实现图像分类、目标检测、图像分割、文字识别、人脸识别等深度视觉项目
目标检测算法——农业作物开源数据集汇总（收藏）
🎄🎄近期，小海带在空闲之余收集整理了一批农业作物开源数据集资源供大家参考。整理不易，小伙伴们记得一键三连喔！！！🎈🎈
yolov5车牌识别(2023年毕业设计+python源码)
在前面我们已经介绍过了YOLOv1~v4的网络的结构，今天接着上次的YOLOv4再来聊聊YOLOv5，如果还不了解YOLOv4的可以参考之前的博文。YOLOv5项目的作者是Glenn Jocher并不是原Darknet项目的作者Joseph Redmon。并且这个项目至今都没有发表过正式的论文
适用于计算成像领域无参考图像的图像信噪比评价方法（SNR,PSNR,SSIM）（基础）
图像信噪比计算，单幅图像信噪比计算。
图像去雾算法评价指标
本篇主要是关于去雾算法的评价指标的描述以及python实现
DETR详解
DETR 将目标检测任务看作集合预测问题，对于一张图片，固定预测一定数量的物体（原作是100个，在代码中可更改），模型根据这些物体对象与图片中全局上下文的关系直接并行输出预测集，也就是 Transformer 一次性解码出图片中所有物体的预测结果，这种并行特性使得 DETR 非常高效。
Meta AI Segment Anything Model (SAM)初体验
最近Meta AI发布了Segment Anything模型，可以直接分割任何图片。我趁热乎体验了一下。
CVPR2023论文速递（2023.3.22）！已接入ChatGPT总结！共31篇！
整理：AI算法与图像处理CVPR2023论文和代码整理：https://github.com/DWCTOD/CVPR2023-Papers-with-Code-Demo欢迎关注公众号 AI算法与图像处理，获取更多干货：大家好,最近正在优化每周分享的CVPR论文, 目前考虑按照不同类别去分类,方便不同
改进yolov7网络（从轻量化方面的8个方法）
改进yolov7 轻量化方面出发
2023年十大目标检测模型！
“目标检测是计算机视觉中最令人兴奋和具有挑战性的问题之一，深度学习已经成为解决该问题的强大工具。”—Dr. Liang-Chieh Chen目标检测是计算机视觉中的基础任务，它涉及在图像中识别和定位目标。深度学习已经革新了目标检测，使得在图像和视频中更准确和高效地检测目标成为可能。在2023年，有几
OpenAI——CLIPs（代码使用示例）
OpenAI——CLIPs（代码使用示例）
