作者邮箱:1309399183@qq.com 1. 项目介绍 面青识别(face_classification )是一个基于深度学习的面部表情识别项目,它使用 Keras 和 TensorFlow 框架来实现模型的训练和预测。该项目的主要目标是在图像或视频中检测并识别人脸表情,并将其分类为七种不同的情绪类别:生气、厌恶、害怕、高兴、平静、伤心和惊讶。该项目使用了深度卷积神经网络(CNN)来实现面部
作者邮箱:1309399183@qq.com 数据增强可以说是数据驱动下的深度学习必经之路,掌握数据,相当于掌握当下主流方向的自动驾驶的命脉,是人工智能不可或缺的资源。本文将介绍最新的利用大模型扩充数据的方式!先看下变色效果:左褐色背景图 为原图,右侧为处理后的图! AI day也在自动标注数据方面,着重介绍,由此可见数据的重要性!深度学习中的数据增强(Data Augmentation)和数
作者邮箱:1309399183@qq.com 自动驾驶是带动新兴产业的一个突破点,也是中国结合新能源汽车,实现汽车产业弯道超车的不二手段,是打破国外燃油车技术壁垒的关键一步!它不会停止,只是在蓄势待发! 数据集介绍:点击 自动驾驶场景使用方法介绍:点击 火焰和烟雾图像数据集 该数据集包含早期火灾和烟雾图像数据。数据集是使用手机在真实场景中捕获的早期火灾和烟雾图像。这些图像在各种照明条件下(
作者邮箱:1309399183@qq.com 行泊一体技术是一种集成了自动泊车和无人驾驶技术的新型汽车技术,该技术可以使汽车更加智能化和自动化,提高驾驶的安全性和便捷性。从芯片和BEV技术门槛方面来看,我们可以更好地理解这项技术的优势和挑战。 一、芯片限制 实现行泊一体技术需要依靠一些关键的芯片技术,其中最重要的就是车载计算机芯片。车载计算机芯片必须具备高度的计算能力和低延迟的处理速度,以确保
目标检测是计算机视觉领域中的一个重要问题,它需要从图像或视频中检测出物体的位置和类别。近年来,深度学习技术在目标检测领域取得了显著的进展,其中一个重要的方法是基于YOLO(You Only Look Once)算法的目标检测。 YOLO算法的优点是速度快,但是在检测小物体和密集物体方面存在一定的问题。因此,本文将介绍一些改进的YOLO目标检测方法,以提高其性能和效率。 一、多尺度训练 YOL
图像处理方面的老师,第一天学习以下内容和代码: 图像读取和显示:在Matlab中,可以使用imread函数读取图像,并使用imshow函数显示图像。以下是一个简单的示例代码: % 读取图像 img = imread('lena.jpg'); % 显示图像 imshow(img); 图像的基本操作:在Matlab中,可以通过对图像进行像素级别的操作来实现图像处理任务。以下是一些基本的图像操作示例代
PID控制器模拟器 概述: PID控制器是一种常用的反馈控制算法,用于实现系统输出与期望值之间的精确调节。PID控制器模拟器是一个工具,可以模拟和测试PID控制器的性能,并对系统进行调整和优化。 输入参数: setpoint:期望值或目标值 process_variable:过程变量或实际测量值 Kp:比例增益系数,用于调整控制器对误差的响应程度 Ki:积分增益系数,用于修正系统静态误差 K
概述 椭圆检测是图像处理中的一个重要问题,其目的是从图像中检测出可能存在的椭圆。在实际的应用中,椭圆常常被用来描述物体的形状或者得到物体的尺寸信息。 传统的椭圆检测方法通常采用二维Hough变换,在求解过程中需要处理大量的数据,并且计算复杂度高,导致速度较慢,难以实现实时处理。相比之下,一维Hough变换不仅计算量小,而且可以更快地检测出椭圆。 一维Hough变换原理 一维Hough变换的基本思
永磁同步电机(Permanent Magnet Synchronous Motor, PMSM) PMSM具有高效率、高功率密度和快速响应等特点,在现代工业中得到了广泛应用。而矢量控制是一种广泛应用于永磁同步电机的高精度控制方法,它能够实现永磁同步电机的快速、准确、稳定的运行。 矢量控制 矢量控制的核心思想是将电机转子空间矢量分解为两个直角坐标轴上的分量:磁场方向分量和转子电动势方向分量,
动机:根据美国国家公路交通安全管理局的数据,每年约有10万起警方报告的交通事故涉及疲劳驾驶。这些事故导致超过1,550人死亡和71,000人受伤。然而,真实数字可能更高,因为很难确定司机在事故发生时是否疲劳驾驶。因此,我们尝试建立一个系统,检测人是否疲劳并提醒他。 安装和环境Step 1: Update conda conda update conda Step 2: Update anaco
docker exec和docker run 相同点:都可以用于启动Docker容器。 不同点:docker run命令用于创建并启动一个新的Docker容器,可以在启动容器时指定容器名称、镜像名称、端口映射、挂载数据卷等参数。docker run只能用于启动新容器,不能用于操作已经运行的容器。 docker exec命令用于在已经运行的Docker容器中启动一个新的进程,可以在运行时指定要
项目成果图 目标检测YOLOv5是一种计算机视觉算法,它是YOLO(You Only Look Once)系列算法的最新版本,由Joseph Redmon和Alexey Bochkovskiy等人开发。它是一种单阶段目标检测算法,可以在图像中检测出多个物体,并输出它们的类别和位置信息。相比于以往的YOLO版本,YOLOv5具有更高的检测精度和更快的速度 网络架构YOLOv5使用了一种新的检测架
概述与简介 RT-DETR是一种实时目标检测模型,它结合了两种经典的目标检测方法:Transformer和DETR(Detection Transformer)。Transformer是一种用于序列建模的神经网络架构,最初是用于自然语言处理,但已经被证明在计算机视觉领域也非常有效。DETR是一种端到端的目标检测模型,它将目标检测任务转换为一个对象查询问题,并使用Transformer进行解决。R
姿态识别技术是一种基于计算机视觉的人体姿态分析方法,可以通过分析人体的姿态,提取出人体的关键点和骨架信息,并对人体的姿态进行建模和识别。随着深度学习技术的发展,近年来姿态识别技术得到了广泛的应用和研究,其中Pose是一种基于深度学习的姿态识别工具包。本篇博客将介绍Pose的原理和方法,并探讨其在姿态识别领域的应用。目前识别手势,举左手 右手 双手 叉腰等姿态 一、 Pose的原理Pose是开发的
Python是一种非常流行的编程语言,具有广泛的应用领域,包括数据可视化。在数据可视化中,Python提供了多种工具来帮助用户创建各种类型的图表、图形和可视化效果。本文将介绍Python数据可视化的基本概念、工具和技术,并提供代码示例以说明如何使用Python进行数据可视化。 Python数据可视化基本概念数据可视化是将数据转换为图形或图表形式的过程,以帮助人们更好地理解和分析数据。Python
项目是一个基于Python和OpenCV的交通标志检测和识别项目,旨在使用计算机视觉和深度学习技术对交通标志进行检测和分类。本文将从介绍项目原理和框架开始,详细介绍该项目的实现过程和技术细节,最后给出项目的安装和使用方法。 前后结果对比识别前 识别后 一、 项目原理和框架Traffic-Sign-Detection项目的主要原理是使用计算机视觉和深度学习技术对交通标志进行检测和分类。具体来说
作者:@阿利同学,邮箱:1309399183@qq.com 代码链接代码 摘要 在许多道路交通状况不受限制的亚洲国家,不戴头盔和骑三车等违章驾驶是摩托车死亡的重要来源。识别和惩罚此类骑手对于遏制道路交通事故和提高公民安全至关重要。出于这种动机,我们提出了一种方法,用于检测,跟踪和计数从车载仪表板摄像机拍摄的视频中的摩托车骑行违规行为。我们采用基于课程学习的对象检测器来更好地应对诸如
作者:@阿利同学,邮箱:1309399183@qq.com 看到许多小伙伴想进行图像去雨,图像去雾的任务,由于以前进行了此类项目,所以在此书写博客进行交流。代码获取 去雨前言 从静止图像中去除雨水是一项复杂且具有挑战性的任务。雨滴仅影响图像的很小区域,因此导致确定应考虑哪个区域和不应考虑哪个区域的混乱。在本文中,已经实现了一种新技术,该技术有效地使用L0梯度最小化方法来去除雨
作者:@阿利同学,邮箱:1309399183@qq.com 迁移学习(图像分类) 在本教程中,您将学习如何使用迁移学习训练卷积神经网络以进行图像分类。您可以在 cs231n 上阅读有关迁移学习的更多信息。本文主要目的是教会你如何自己搭建分类模型,耐心看完,相信会有很大收获。废话不多说,直切主题…首先们要知道深度学习大都包含了下面几个方面:1.加载(处理)数据2.网络搭建3.损失函数
作者:@阿利同学,邮箱:1309399183@qq.com 代码:点击获取代码 特征提取 此处面对的场景是是交通摄像头下的马路场景,数据格式为视频流或者视频,所以我们要提取视频的第一帧作为背景来进行车道线的标定,运行extra.py文件即可提取第一帧背景图片。 车道线和斑马线 根据第一步提取的场景背景图片,进行道路信息的标定,并返回道路信息的相关参数。标定的方式是运行
作者:@阿利同学,邮箱:1309399183@qq.com 概述: 代码获取:点我获取在TensorFlow中实现单镜头多盒检测器(SSD),用于检测和分类交通标志。该实现能够在具有Intel Core i7-6700K的GTX 1080上实现40-45 fps。请注意,此项目仍在进行中。现在的主要问题是模型过度拟合。 我目前正在先进行VOC2012的预培训,然后进行交通标
作者:@阿利同学,邮箱1309399183@qq.com 车道线识别效果 车道线识别方法 当我们开车时,我们用眼睛来决定去哪里。道路上显示车道位置的线作为我们将车辆转向的恒定参考。自然,在开发自动驾驶汽车时,我们首先要做的事情之一就是使用算法自动检测车道线。 对于这个项目,一篇优秀的文章应该对项目标准的“反思”部分做出详细的回应。反射有三个部分:1.描述线条2.确定任何缺点3.
作者邮箱:1309399183@qq.com 摘要代码:或私信获取 代码提出了LPRNet端到端方法自动车牌识别,无需初步字符分割。我们的方法灵感来自于-在深度神经网络方面取得突破实时,中文识别准确率高达95%车牌: LPRNet由轻量级卷积Neu组成-al网络,因此可以以端到端的方式进行培训。致据我们所知,LPRNet是第一个实时许可证不使用RNN的车牌识别系统。**作为一个结果,LPR
作者邮箱:1309399183@qq.com 自从发布极端天气目标检测的博客, 得知有许多小伙伴需要极端天气数据集,因此制作收集了道路环境雾天数据集。 数据获取雾霾驾驶数据集已更新。它现在还包含雾驾驶密集子集中21幅浓雾图像的路径列表。 雾状驾驶数据集+语义分割 本文提出了两个不同的数据集,用于对雾场景的语义理解:雾城市景观和雾驾驶。雾霾城市景观源自城市景观数据集,由我们提出的
作者:@阿利同学,邮箱:1309399183@qq.com 代码链接:https://download.csdn.net/download/ALiLiLiYa/86833616代码已经跑通! 去阴影效果 实战图片与之论文图片还是有较大差异,论文跑通也相对较难。不过效果也凑合– 上图为随手拍的做的结果对比! 作者写作目的 由于缺乏有效的监督,无监督去阴影是很有挑战的。那么本文给了大家
作者:@阿利同学,邮箱:1309399183@qq.com 顺人性而为:你们最想要的是代码-------->代码链接:代码 也可私信本人获取。 哈哈 但是还是要看下是否符合需求嘛!! 摘要 最近的大规模文本驱动的合成模型由于其出色的生成遵循给定文本提示的高度多样化图像的能力而引起了广泛关注。这种基于文本的合成方法对习惯于口头描述其意图的人类特别有吸引力。因此,将文本驱动的图像合成扩展到
作者@阿利同学,邮箱:1309399183@qq.com 1.主要内容和目标本文讲述如何运用代码来将迷糊图像进行复原,以达到清晰图像以及细节增强的目的。首先呈现了前后对比图,左图为模糊原图,右图为复原图像。(不只是用在二值图像) 2.代码讲述 ```python def multiScaleSharpen(img ,radius): h,w,chan = img.shape
作者@阿利同学,邮箱:1309399183@qq.com 本文完全采用公式去搭建模型,而不是拖拽模块,有利于加深对公示的理解,提升对simulink的建模水平。 1.PMSM(永磁同步电机)建模 根据电机的转矩、电压电流关系公式进行搭建。纯数学公式搭建PMSM本体。 2.SVPWM(矢量脉宽调制技术)的搭建 上图为封装好的SVPWM模型。这里面有两个输入参数,分别为电压Ud,和调制时间T
积分
粉丝
勋章
TA还没有专栏噢
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信