深度学习与模式识别之项目整理
深度学习与模式识别之项目整理
3158861394@qq.com
http://blog.csdn.net/luojun2007
作者:Luogz
本人一直从事图像处理,模式识别专业方向。该专业具有非常广的应用范围。我对这个专业有非常大的兴趣。本人承接各种与图像处理相关的项目,如您须要请联系我,谢谢!!
熟悉的算法:Adaboost训练器、svm、神经网络、深度学习算法(卷积神经网络)、贝叶斯算法、ELM、Gabor特征提取、LBP特征、sift特征、小波等。
一、麻将牌实时检測
看视频检測效果(请点击链接):http://v.youku.com/v_show/id_XODEyMDc0NjA0.html
二、生物及医学应用分析
1. 生物发酵分析
依据以上信息来推断发酵过程是否达到了最佳时间。界面例如以下:
2. 医学3D图分析
1、 对象:3D图形(血管)三视图(平面投影图像)中荧光绿色标注曲线(初步识别的血管中轴)的空间中轴坐标。
2、 输出结果:荧光绿色曲线(经初步识别的血管中轴)处理后的三维空间坐标。
最后得到的曲线应和原始三视图荧光绿曲线一样是连续曲线。没有尖锐毛刺(噪音),没有识别错误及识别脱漏。
实例三
处理过程中提取血管的图像时。往往会得到断断续续的血管,例如以下:
x, y轴平面投影切割图 3*3分区处理 断线重连结果
以上处理过程用到数据拟合,曲线平滑等方向的一些知识。Matlab提供了强大的曲线拟合算法包含rubustfit、最小二乘、三次样条插值等。可是我是在vs2010上实现该程序的。因此并没有调用这这些函数。
程序最后的输出是:血管在3维中的坐标位置信息。
三、人数统计
我做过人流统计和车流统计,可是把这个拿出来的原因是,“教室人数统计”主要大家都比較熟悉。“教室人数统计”…..你可能想到的能够利用adaboost检測人脸再数个数。这样的方法是简单,可是不有用,你能够保证一定能够检測到人脸吗?我是利用Adaboost框架训练自己的人头检測XML。注意不是人脸-----可是这么做了。也有可能会检測错误,因此我再利用如今的热门算法,深度学习来对检測到的待选目标进行分类。然后推断出Adaboost检測的待选目标是否是人头,最后统计人头总数。
大家都知道深度学习的一个巨大优点就是:不用自己去苦苦提取特征,网络会依照它的设计原理自己主动提取特征,比方CNN(卷积神经网络),通过局部感受野、共享权值和亚取样来得到特征,而且该特征对位移、缩放、扭曲具有鲁棒性。
详细參考:http://blog.csdn.net/celerychen2009/article/details/8973218
视图3.1
深度学习的效果和样本的丰富程度以及网络的深度有关系。可是并非网络的层数越多越好,深度学习的拥护者都是,不充分的深度反而影响效果。
Adaboost +深度学习框架的人数统计的效果图例如以下:
实例四
须要看视频效果的点击:http://v.youku.com/v_show/id_XODExODk3ODAw.html
四、基于深度学习的字符识别
OCR识别技术,如今已经比較成熟了。可是还是值得关注。有一位大牛提出了一种手写字符识别框架,叫“LeNet-5系统”效果和paper等见这。是利用深度学习的CNN来实现,原始LeNet-5结构不包括输入层就已经是7层网络结构。眼下基本都用简化的“LeNet-5系统”,该系统把下採样层和卷积层结合起来。避免了下採样层过多的參数学习过程,相同保留了对图像位移。扭曲的鲁棒性。
其网络结构图例如以下所看到的:
视图4.1
当年美国大多数银行就是用它来识别支票上面的手写数字的。可以达到这样的商用的地步。它的准确性可想而知。
毕竟眼下学术界和工业界的结合是最受争议的。他的效果图例如以下:
视图4.2
我依据这样的设计方案,实现了该“LeNet-5系统”。可是我的使用场景是扑克牌识别,并且应用在手抓牌上,不是眼下常使用的方法——把牌摆在牌桌上。
对照效果例如以下:
视图4.3 摆拍方式
实例五 手抓牌
五、人脸性别分类
人脸性别分类,我主要设计了两种方案:一、Gabor(多尺度。多方向特征提取)+ PCA + LDA + SVM。二、dense-Sift + LBP + PCA + LDA + SVM。
这两种设计方案各有千秋,可是共同点就是效果都还行。
对1W张室外人脸进行測试,前者能够达到87%~92%的识别率。后者能够达到93%~94%的识别率。至于我说两种各有特点的原因是。Gabor特征抗光照变化的能力比sift特征强,通常情况下Gabor特征方案比sift特征方案识别率低一些,可是对光线变化比較大的环境,Gabor方案还能够维持叫好的效果,可是sift特征方案的识别率速度降到60%~70%。因此看应用场景来採用哪种方案?
(a) (b)
实例六 性别分类
本人长期外接项目和程序设计,假设你有须要,请联系我:QQ:3158861394.
诚信为您服务!
转载于:https://www.cnblogs.com/brucemengbm/p/6718999.html
深度学习与模式识别之项目整理相关推荐
- 卫星影像领域的深度学习数据和模型项目
深度学习和大数据学习需要依赖海量数据,遥感卫星也是深度学习的一个关键场景.后续我会支持更新我们在这个领域的进展,分享今天收集和整理的数据和项目,期待中国航天行业也能有更好的开放性. 地理空间和环境数据 ...
- 【深度学习】模式识别技术探索之决策树(Decision tree)
[深度学习]模式识别技术探索之决策树(Decision tree) 文章目录 1 什么是模式和模式识别? 2 常见的模式识别系统 3 应用领域 4 举例:随机森林(Random Forest)4.1 ...
- 用于跑深度学习的嵌入式硬件平台资料整理(二)
博主之前已经有一篇博客有这方面的介绍,这段时间自己也熟悉了下树莓派(前面已有很多关于此的系列博客),所以这篇博客探讨的会更深入些,为后面的实战做准备. 用于跑深度学习的嵌入式硬件平台资料整理_竹叶青l ...
- 深度学习入门系列6项目实战:声纳回声识别
大家好,我技术人Howzit,这是深度学习入门系列第六篇,欢迎大家一起交流! 深度学习入门系列1:多层感知器概述 深度学习入门系列2:用TensorFlow构建你的第一个神经网络 深度学习入门系列3: ...
- 深度学习-14:知名的深度学习开源架构和项目
深度学习-14:知名的深度学习开源架构和项目 深度学习原理与实践(开源图书)-总目录 人工智能artificial intelligence,AI是科技研究中最热门的方向之一.像IBM.谷歌.微软.F ...
- Kaggle深度学习与卷积神经网络项目实战-猫狗分类检测数据集
Kaggle深度学习与卷积神经网络项目实战-猫狗分类检测数据集 一.相关介绍 二.下载数据集 三.代码示例 1.导入keras库,并显示版本号 2.构建网络 3.数据预处理 4.使用数据增强 四.使用 ...
- [转]机器学习、深度学习、数据挖掘各种资源整理
Deep Learning(深度学习): ufldl的2个教程(这个没得说,入门绝对的好教程,Ng的,逻辑清晰有练习):一 ufldl的2个教程(这个没得说,入门绝对的好教程,Ng的,逻辑清晰有练习) ...
- 机器学习、深度学习、数据挖掘各种资源整理
Deep Learning(深度学习): ufldl的2个教程(这个没得说,入门绝对的好教程,Ng的,逻辑清晰有练习):一 ufldl的2个教程(这个没得说,入门绝对的好教程,Ng的,逻辑清晰有练习) ...
- 假新闻无处不在:我开源了一个深度学习标记假新闻项目
来源 | DeepHub IMBA(ID:deephub-imba) 虚假新闻的兴起迫使拥有社交媒体帐户的每个人都成为一名侦探,负责在发布前确定帖子是否真实.但是,虚假新闻仍然会越过我们的防线,在网络 ...
最新文章
- 2019年东莞特长生 游戏(洛谷 P2661 信息传递)
- Python基于OpenCV实现视频的人脸检测
- python水印 resized_如何改进Python中的水印图像?
- 剑指Offer - 面试题38. 字符串的排列(全排列,排序,回溯+剪枝)
- main函数argc,argv操作
- [转载] Numpy 数学函数及逻辑函数
- 关于单例模式中,饿汉式和懒汉式有什么区别?
- python定时任务_Python定时任务
- 在virtualbox安装xp系统及安装oracle
- zemax验证高斯公式_Zemax中高斯光束设置的相关问题
- js 计算当前时间到下个整点时间,差多少分钟,多少秒
- 思维方式-《策略思维》书中的精髓:生活工作中博弈无处不在,理解博弈论、善用策略思维,能帮助我们做出更好的决策。
- java计算机毕业设计网上图书销售系统源程序+mysql+系统+lw文档+远程调试
- c语言实现123456789变为147258369的方式是输出
- eighth day for learning
- 饭后的不良习惯,看看你中了几招?
- 520到了,教你做个JavaWeb表白墙小项目
- Mina中的支付交易snark
- Java中Switch选择语句的用法
- 9个Excel小技巧,提高你的数据分析效率