采用java技术构建的一个管理系统。整个开发过程首先对系统进行需求分析，得出系统的主要功能。接着对系统进行总体设计和详细设计。总体设计主要包括系统功能设计、系统总体结构设计、系统数据结构设计和系统安全设计等；详细设计主要包括系统数据库访问的实现，主要功能模块的具体实现，模块实现关键代码等。最后对系统进行功能测试，并对测试结果进行分析总结。 包括程序毕设程序源代码一份，数据库一份，完美运行。
2021-08-17 16:07:41
18.2MB
1
很棒的预训练风格
预先训练的模型的集合，模型在不同分辨率的不同数据集上进行了训练。
有关StyleGAN 1的预训练模型，请参阅
如果您拥有已知的或想共享的可公开访问的模型，请参阅部分。提示：提交模型的最简单方法是填写此。
目录
楷模
汽车（config-e）
，
数据集：LSUN汽车
分辨率：512x512配置：e
作者：
StyleGAN2实现： ：
许可证：Nvidia源代码许可证-NC
汽车（config-f）
，
数据集：LSUN汽车
分辨率：512x512配置：f
作者：
StyleGAN2实现： ：
许可证：Nvidia源代码许可证-NC
猫
，
数据集：LSUN Cat
分辨率：256x256配置：f
作者：
StyleGAN2实现： ：
许可证：Nvidia源代码许可证-NC
教会
，
数据集：LSUN教堂
分辨率：256x256配置：f
作者：
StyleGA
2021-08-17 14:44:56
199.96MB
1
使用Pytorch进行人脸识别
Python
3.7
3.6
3.5
地位
这是pytorch中Inception Resnet（V1）模型的存储库，已在VGGFace2和CASIA-Webface上进行了预训练。
使用从David Sandberg的移植的参数来初始化Pytorch模型权重。
此回购中还包括用于推理之前的人脸检测的MTCNN的有效pytorch实现。 这些模型也经过预训练。 据我们所知，这是最快的MTCNN实现。
目录
视频流中的人脸跟踪
使用新数据微调预训练模型
Facenet-PyTorch中的MTCNN指南
人脸检测套件的性能比较
FastMTCNN算法
与Docker一起运行
在您自己的git项目中使用此仓库
将参数从Tensorflow转换为Pytorch
参考
快速开始
安装：
# With pip:
pip install facene
2021-08-17 10:27:04
19.61MB
1
ResNet-50 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练，并在 2015 年赢得了 ImageNet 大规模视觉识别挑战 (ILSVRC) 比赛。 该模型在超过一百万张图像上进行了训练，有 177 层总共对应一个50层的残差网络，可以将图像分为1000个对象类别（例如键盘、鼠标、铅笔和许多动物）。 从您的操作系统或 MATLAB 中打开 resnet50.mlpkginstall 文件将启动您拥有的版本的安装过程。 该mlpkginstall文件可用于R2017b及更高版本。 用法示例： % 访问训练好的模型净 = resnet50(); % 查看架构细节网络层% 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:
2021-08-17 08:57:36
6KB
1
YOLO-complex预训练模型complex-yolov3，complex-yolov4
2021-08-16 22:11:56
446.6MB
1