搜索资源列表
4.2
- 用人工神经网络拟合函数 说明：1）网络结构为三层（输入层、1个隐层和输出层） 2）获取两组数据，一组作为训练集，一组作为测试集 3）用训练集训练网络 4）用测试集检验训练结果-ANN fit function: 1) the network structure is three (input layer, a hidden layer and output layer) 2) to obtain two sets of data, one group as the
character-training-set
- 车牌识别，各省汉字训练集，全是手动筛选的，部分省市素材缺少所以缺乏样本-License plate recognition, Chinese character training set
TextonBoostSplits
- Textonboost用boosting实现基于纹理特征的图像分类，里面有训练集、测试集和验证集，具有一定参考价值。-Textonboost uses boosting to realize image classification based on texture features, which has training set, test set and validation set, which has a certain reference value.
syn_13
- 以网格采样方法构建训练集,训练决策树，对图像分类。-Grid sampling method for constructing the training set, training the decision tree, for image classification.
syn10_1
- 以多边形采样结果构建训练集,对图像进行分类-Polygon sampling results build the training set, the image classification
ColorIndex
- 在Corel 5k数据库中，首先提取训练集和测试集中所有图像的直方图信息（AllHist.m），然后利用直方图相交法检索图像（ColorIndex.m）。-Firstly, read all images, and get their hists, then retrieve image by color index.
pcalda
- 基于pca和lca的人脸识别程序, 人脸库分为训练集和测试集两部分，统计识别率 -Based on pca face recognition program and lca, the face is divided into a training set and a test set of two parts, the recognition rate statistics
Face-Recognition
- 本程序设计了一个基于PCA方法的人脸识别系统。该系统可以对各类文件格式的人脸文件进行分析，可以对一定长度的人脸训练集进行特征值提取，能够显示特征脸、平均脸，并且完成比对误差及人脸识别的功能。-This design program a face recognition system based on PCA method.The system can analyze the face of all kinds of file format file, you can face the train
Autoencoder_Code
- 实现对于数据特征的识别和提取，进而实现重构，重构值与输入数据相差越小越好，对于该深度学习网络的训练可以分为预训练和调优过程，对此需要把数据按比例分为训练集和测试集，进行系数的调整，从而实现数据重构。-For realization identify and extract data features, thus achieving the reconstruction, reconstruction of the input data value difference as small as p
Edit68CMU_pack
- 人脸对齐基于论文《fps3000》中训练集构建时生产68个特征点的matlab脚本文件。提供交互窗口，按顺序点左眼右眼和嘴巴，即可自动生成68个点，再用鼠标对个别点进行人工修正。满意后保存即生成一个文本文件，存有68个点的坐标。-Face aligned on the paper fps3000 production when the training set to build 68 feature points matlab scr ipt file. Provide interactiv
proj4
- 使用滑动窗的人脸检测，滑动窗口能够独立地对图片块进行分类，以确定是否属于被检测目标。内容如下： 1)载入正样本训练集（人脸），并将其转化为HoG特征 2)载入负样本训练集（没有人脸的任意场景），也将其转化为HoG特征 3)使用SVM，对分类器进行训练，训练集包括正训练集和负训练集 4)使用训练好的分类器，在不同的尺度上，对测试集进行分类 -Face detection with a sliding window.
FaceDetection
- 该程序实现功能：基于opencv的人脸检测 文件中包含人脸检测的训练集haarcascade_eye.xml和haarcascade_frontalface_alt2.xml-The program implements functions: Based on opencv face detection file contains face detection training set haarcascade_eye.xml and haarcascade_frontalface_alt2.xm
FilelistGenerator
- 用于CAFFE图片训练集、测试集的生成，可生成文件列表及分类，用于后续处理-Used for CAFFE training set and testing set generated images, can generate the file list and classification, for subsequent processing
demo
- 利用训练集训练一个高斯模型，进行运动目标的提取（文件中包含数据集）(Use the training set to train a Gaussian model to extract the moving object (the file contains the data set))
FaceRec
- 人脸识别是一个有监督学习过程，首先利用训练集构造一个人脸模型，然后将测试集与训练集进行匹配，找到与之对应的训练集头像。最容易的方式是直接利用欧式距离计算测试集的每一幅图像与训练集的每一幅图像的距离，然后选择距离最近的图像作为识别的结果。这种直接计算距离的方式直观，但是有一个非常大的缺陷—计算量太大。如果每幅图像大小为100*100，训练集大小1000，则识别测试集中的一幅图像就需要1000*100*100的计算量，当测试集很大时，识别速度非常缓慢。(Face recognition is a s
人脸识别代码
- 人脸识别是一个有监督学习过程，首先利用训练集构造一个人脸模型，然后将测试集与训练集进行匹配，找到与之对应的训练集头像。最容易的方式是直接利用欧式距离计算测试集的每一幅图像与训练集的每一幅图像的距离，然后选择距离最近的图像作为识别的结果。(Face recognition is a supervised learning process. Firstly, a face model is constructed by training set, and then the test set is m
上海理工大学+US!+基于微信的图像识别系统
- 一个可在微信端使用的深度学习的图像识别程序，使用keras开发，文件内包含训练集下载方式。(A deep learning in WeChat use of the image recognition program, using keras development, the document contains the training set, Download methods.)
train_test_set
- 怎么创建训练数据集和测试数据集。readimg.m读取一个大文件夹下的，所有子文件夹里的所有图片，并把同一个文件夹下的图片保存成一个矩阵。另一个文件是加载之前生成的数据，取80%为训练集，20%为测试集，并添加标签。(Read all the pictures from the folder and save it into a matrix)
CNN
- 使用cnn提取图像特征，然后用SVM分类，此处没有给出训练集，另外imagenet-caffe-alex部分代码需要注意，需要下载的话把注释掉的代码打开(Using CNN image feature extraction, and then use the SVM classification, there were no given training set, also need to pay attention to imagenet-caffe-alex part of the code
Extended Yale B Database
- 这是MNIST数据库（一个手写数字的数据库，它提供了六万的训练集和一万的测试集，它的图片是被规范处理过的，28*28的灰度图） 总共4个文件: train-labels-idx1-ubyte: training set labels t10k-images-idx3-ubyte:? test set images t10k-labels-idx1-ubyte:? test set labels train-images-idx3-ubyte: training set images(T