6丁儿的猫

from keras.applications.inception_v3 import InceptionV3from keras.preprocessing import imagefrom keras.models import Modelfrom keras.layers import Dense, GlobalAveragePooling2Dfrom keras import ba...

通过深度学习的方法，自动判defect类型。并画出attention map。找到其中的defect位置，就可以不用Rcnn等方法去标记bbox。        github: https://github.com/Juary88/DL_Defect/

最近想找一个不用label位置的目标检测算法，不像faster-rcnn，mask_rcnn，yolo等这篇文章的一个重要思想就是 1 关于全连接层不能保持spatial information的理解 相比全连接层，卷积层是一个spatial-operation，能够保持物体的空间信息(translation-variant)。比如一个物体原来在左上角，卷积之后的结果feature-map在左上

R-CNN讲得比较好的文章： http://blog.youkuaiyun.com/shenxiaolu1984/article/details/51066975 http://blog.youkuaiyun.com/WoPawn/article/details/52133338 http://blog.youkuaiyun.com/liumaolincycle/article/details/49787101这里突然产生对激活

这篇文章关注点两个： 1 全连接层用gap替换 2 使用con（1,1）进行feature map 的组合以及降维，升维 3 使用mlpcon代替con 链接 http://blog.youkuaiyun.com/mounty_fsc/article/details/51746111 http://blog.youkuaiyun.com/hjimce/article/details/50458190

1 python与jdk版本位数一致 2 pip install jpype1（python3.5） 3 类库hanlp.jar包、模型data包、配置文件hanlp.properties放在一个新建目录 4 修改hanlp.properties中root根目录，找到data代码调用如下：#coding:utf-8'''Created on 2017-11-21@author: 刘帅''

最近在研究对话机器人，刚好看了几篇论文，参考keras demo理解。 原理请参考：- Sequence to Sequence Learning with Neural Networks https://arxiv.org/abs/1409.3215- Learning Phrase Representations using RNN Encoder-Decoder for S

最近打算弄一个智能客服的东西，就是辅助客服讲述帮助用户如何安装电视机的流程。现在记录下吧： 一开始查了很多rnn，lstm，s2s等模型，发现都是那种生成式模型。 而且需要大量训练集，效果不是很理想。对于此任务应该是一个task-oriented。一般有三种方法：样板式模型 (Rule-based model)检索式模型 (Retrieval-based model)生成式模型 (Gener

最近弄一个情绪识别与性别识别的东东。 opencv + keras opencv用于人脸检测 keras用于训练出识别模型数据集用于kaggle的（FER2013）CNN进行训练。代码如下：import cv2import sysimport jsonimport timeimport numpy as npfrom keras.models import model_from_js

CNN学习笔记： http://blog.youkuaiyun.com/v_july_v/article/details/51812459 http://blog.youkuaiyun.com/u010223750/article/details/51289587 http://blog.youkuaiyun.com/u010223750/article/details/51334447CNN在中文文本分类的应用 :

keras非常方便。 不解释，直接上实例。 数据格式如下：序号 天气 是否周末 是否有促销 销量1 坏 是 是 高2 坏 是 是 高3 坏 是 是 高4 坏 否 是 高5 坏 是 是 高6 坏 否 是 高7 坏 是 否 高8 好 是 是 高

行人识别：使用现有深度学习模型比如yolo，rcnn等流量统计：主要是判断上下两个方向，所以要设两条线，并存下每帧的行人（根据box转化为中心）。每次当前点与上一帧比较，设定一定距离判断是否是同一个人，再判断是否在区域内以及是先经过的哪条线来判断行人方向。结果如下：...