人工智能-项目实践-图像识别-用3DVnet开发的医学图像分割

人工智能-项目实践-图像识别-基于深度学习的图像超分辨率重建及其在医学影像上的应用 前言 介绍图像超分辨率问题、研究现状、前景，介绍在医学图像上进行超分辨率的重要性。 自然图像上的超分辨率研究 在 DIV2K 数据集（800 train + 100 val）进行实验。选取 baseline 模型为 ESPCN、DWSR、EDSR。针对这些模型的不足之处，提出改进：使用小波 + U-Net + 感知损失多任务学习的 LU-MWCNN模型，达到超越 baseline 的效果。 医学图像上的超分辨率应用 在 DeepLesion 数据集（CT 图像）的 Key_slices 上进行实验，同样与 baseline 模型进行对比。提出 CT-LPIPS，利用一个类 VGG 网络训练。 医学图像超分辨率平台开发 以 CT 图像为例，搭建 Web 服务，借助 Cornerstone.js 库，医生可预览 DICOM，或将图像发送至后端重建服务，以获得超分辨完成的结果。后端采用 Flask + PyTorch 进行部署和实时推理。 总结

人工智能-项目实践-情感分析-基于朴素贝叶斯实现的豆瓣影评情感分析 语料来自与豆瓣Top250排行榜中的影评，基于Scrapy抓取，大约5w条影评，好评差评各占50%。 训练集与测试集4:1，结果准确率约为80%-79%之间。 因为电影评论中有很大一部分好评中会有负面情感的词语，例如在纪录片《海豚湾》 我觉得大部分看本片会有感的人，都不知道，中国的白暨豚已经灭绝8年了，也不会知道，长江里的江豚也仅剩1000左右了。与其感慨，咒骂日本人如何捕杀海豚，不如做些实际的事情，保护一下长江里的江豚吧，没几年，也将绝迹了。中国人做出来的事情，也不会比小日本好到哪儿去。 所以说如果将这种类似的好评去除，则可以提高准确率。

人工智能-项目实践-图像识别-基于PyTorch&YOLOv4实现的口罩佩戴检测自建口罩数据集分享 本项目是利用YOLOv4进行口罩佩戴检测，使用PyTorch实现。虽然现在国内疫情基本得到有效遏制，但防控仍不可过于松懈，在一些公共场合佩戴口罩还是必不可少的。基于此，自己做了该项目，后续打算继续改进，争取将其运行到边缘设备上。希望本项目能给疫情常态化防控出一份力，也希望真正的新年早日到来。

人工智能-项目实践-图像识别-基于 MobileNetV2 的人脸口罩检测识别 基于 tf.keras 的训练模型 MobileNetV2 搭建一个深度卷积神经网络进行人脸口罩检测识别, 使用 1070Ti 训练 15 个 epoch 准确率达 96%. 环境 Python 3.7 tensorflow 2.2.0 CUDA Version 10.1.243 数据集 数据集全部来自于网络公开数据.

人工智能-项目实践-图像识别-基于mtcnn-mobilenet-keras-breath_mask-master

人工智能-项目实践-SVR回归-基于猫眼电影数据和SVR回归器的电影票房预测系统

人工智能-项目实践-图像识别-基于YOLOV3的人体口罩佩戴检测

人工智能-项目实践-图像识别-基于深度学习的口罩佩戴检测，Keras-YOLOv3 实现。 MaskDetect 基于深度学习的口罩佩戴检测，Keras-YOLOv3 实现。

提哥 PROLOG 和 C++ 中 Teeko 棋盘游戏的人工智能项目