Advertisement

Open-Set Recognition：开放集识别技术。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
该项目涉及利用PyTorch进行的开放集识别，旨在解决可能存在的问题。请您若有任何疑问，可通过电子邮件与我联系。由于该项目目前处于实验阶段，并且我的具体方法仍在调整中，因此在不同算法和数据集上，可能需要进行一些必要的重新构建和调整。一般来说，基本且必须满足的要求包括： # pytorch 1.4+, torchvision 0.7.0 +pip3 install torch torchvision# sklearnpip3 install -U scikit-learn# numpypip3 install numpy# scikit-learn-0.23.2pip3 install -U sklearn对于OpenMax： pip3 install libmr对于MNIST数据集的绘制： pip3 install imageiopip3 install tqdm。此外，配套的数据集CIFAR-100已经准备就绪。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 开放集识别：Open-Set Recognition
    优质
    开放集识别（Open-Set Recognition）是指在给定类别之外存在未知类别的条件下，系统能够正确识别出这些未知样本并将其与已知类别区分开来的机器学习任务。 公开集识别项目使用PyTorch进行开发。如有任何问题，请通过电子邮件联系。 本项目的实验性实现（尤其是方法部分）需要重新构建，因此对于不同的算法和数据集有不同的要求。通常情况下，基本且必不可少的要求包括： - Pytorch 1.4+ 和 torchvision 0.7.0 ```shell pip3 install torch torchvision ``` - scikit-learn ```shell pip3 install -U scikit-learn ``` - numpy ```shell pip3 install numpy ``` 对于OpenMax，还需要安装： ```shell pip3 install libmr ``` 绘制MNIST数据集时需要的库包括imageio和tqdm: ```shell pip3 install imageio tqdm 配套的数据集为CIFAR-100（已完成）。
     
  • 人脸识别技术（Face Recognition）
    优质
    简介：人脸识别技术是一种生物识别技术，通过分析和对比人脸图像或视频中的特征信息来确认个人身份。该技术广泛应用于安全认证、社交媒体、移动支付等多个领域，极大地提升了便利性和安全性。 face_recognition 是一个简单的人脸识别库。你可以通过Python引用或者命令行的形式使用它来管理和识别人脸。该软件包采用了dlib中最先进的人脸识别深度学习算法，在《Labeled Faces in the World》测试基准下达到了99.38%的准确率。此外，face_recognition还提供了一个名为face_recognition的命令行工具，方便用户通过命令行对文件夹中的图片进行人脸识别操作。 安装方法如下： 1. 首先需要安装 cmake 和 boost ``` pip install cmake pip install b ```
     
  • 基于OpenCV的文本识别技术(opencv-text-recognition)
    优质
    opencv-text-recognition项目利用开源计算机视觉库OpenCV进行图像处理和分析，结合先进算法实现高效准确的文字检测与识别功能。 该压缩包主要包含以下文件：用于测试的图片文件夹images，已经训练好的权重文件frozen_east_text_detection.pb，以及运行代码text_recognition.py。
     
  • vein-recognition: 我的本科毕业论文关于生物识别静脉识别技术
    优质
    我的本科毕业论文聚焦于生物识别领域的静脉识别技术，深入探讨了该技术的工作原理及其在身份认证中的应用潜力。 我的本科论文是关于生物识别静脉识别的。该论文的相关代码如下所述： “experiments”文件夹包含用于测试各种预处理、特征提取和分类算法的代码。“clean”文件夹则包括一些演示版本，通常是相关代码更清晰易懂的版本，并且可以用来重现我在论文中提出的结果。
     
  • Human Activity Recognition via Smartphone Data Set
    优质
    《基于智能手机数据的人体活动识别》旨在通过分析手机内置传感器（如加速度计、陀螺仪）收集的数据，准确地识别用户正在进行的身体动作或活动类型。该研究对于开发智能健康监测应用和改善用户体验具有重要意义。 此存储库用于Coursera课程《获取和清理数据》的项目作业。该项目旨在让个人展示其收集、使用、清洗、汇总及记录数据集的能力。UCI机器学习仓库提供了相关资源，并附有以下指导： 使用R语言创建整洁的数据集，具体要求如下： - 创建一个名为run_analysis.R的脚本。 - 将训练和测试集合并成单一数据集； - 提取每次测量中的平均值与标准差； - 利用描述性活动名称来命名数据集中各项活动； - 使用适当的描述性变量名标记数据集。 - 创建第二个独立整洁的数据集，其中包含每个动作及每位参与者的所有变量的均值。 - 编写一个代码簿文件，并将其与run_analysis.R脚本一同上传至GitHub存储库。此代码簿需详细说明变量、数据以及为整理和汇总数据所执行的操作或转换。 项目仓库的内容及结构： - 包含HAR（Human Activity Recognition）的数据集。
     
  • UCF101 - 行为识别数据集（Action Recognition Dataset）
    优质
    UCF101是一个包含超过13,000个视频片段的行为识别数据集，涵盖了101种不同的日常动作类别，广泛应用于计算机视觉领域中的行为理解和分析研究。 UCF101 数据集由中央佛罗里达大学提供。该数据集包含两个主要部分：UCF101_TrainTestSplits-DetectionTask_datasets.zip 和 UCF101_TrainTestSplits-RecognitionTask_datasets.zip。
     
  • 安全帽识别数据集 (Helmet Recognition).zip
    优质
    本数据集包含丰富的安全帽识别图像资源，旨在促进工业场景下佩戴安全装备的行为检测研究与应用开发。 安全帽检测数据集 (Helmet Detection).zip
     
  • 衣物识别：Clothes-recognition
    优质
    衣物识别项目专注于衣物图像的自动分类与检索技术研究。通过深度学习方法，实现对各类服装的精准辨识和智能推荐，优化在线购物体验。 在研究衣服识别（版本1）的过程中，我了解到一个简单的CNN不会带来好的结果，因为任何转移学习模型都不适用。原因有三：首先，衣物之间的差异很大；其次，由于服装变形的影响；最后，拍摄条件也各不相同。FashionNet建议的解决方案是使用多个拆分的CNN分支来分配不同的属性，并进行串联处理。然而，我没有在单个标签上处理多个属性的经验，也没有编码像FashionNet这样复杂模型的能力。目前看来这项任务对我而言难度太大。 我在GitHub上查找了关于FashionNet的相关研究资料，但没有找到全面且声称准确性高的内容。我考虑过使用Mask-RCNN的方法，但是数据集缺少分段注释信息。 虽然我没有放弃这个项目，但我决定尝试使用一些已知的技术来接近于实现类似FashionNet的效果。给定的数据集中有18438个文件（即6146组jpg、xml和txt），全部位于一个单独的文件夹中。可以通过分析这些文件的名字来进行标签识别。
     
  • MATLAB指纹识别代码：FingerPrint Recognition开发
    优质
    本项目提供了一套基于MATLAB的指纹识别代码，旨在实现高效准确的生物特征认证。通过先进的图像处理技术，该系统能够有效提取和匹配指纹信息，适用于安全验证领域。 该程序以一个指纹作为输入，并将其与数据库中的指纹进行比较。如果找到匹配项，则显示指纹所有者的ID。您也可以向数据库注册新指纹。这需要两个不同的指纹并提取其细节特征并存储它。 要求：使用Matlab 2014a及以上版本，以及图像处理工具包（64位）。 高级支持可以在GitHub上获取，网址为 https://github.com/Darin-Sarra/MATLAB_FingerPrint/ ，但此处不包含具体链接。
     
  • SeetaFace开源的人脸识别技术
    优质
    SeetaFace是由国内团队研发的一款高性能、轻量级的人脸识别引擎，提供人脸检测、特征点定位和人脸识别等功能，广泛应用于各种移动设备和服务器端场景。 SeetaFace人脸识别引擎包含了搭建全自动人脸识别系统所需的三个核心模块：人脸检测模块（SeetaFace Detection）、面部特征点定位模块（SeetaFace Alignment）以及人脸特征提取与比对模块（SeetaFace Identification）。该开源项目是由中科院计算所山世光研究员带领的人脸识别研究组研发的。代码使用C++编写，不依赖任何第三方库函数，并采用BSD-2开源协议，可供学术界和工业界免费使用。