FlyYoung0709的博客

A Tensorflow implementation of FPN detection framework.

A Tensorflow implementation of FPN or R2CNN detection framework based on FPN . The paper references R2CNN Rotational Region CNN for Orientation Robust Scene Text Detection or Feature Pyramid Networks for Object Detection

基于tensorflow实现的wgan和wgan_gp，将数据集放于data文件夹下即可，如data/数据/*.jpg

基于tensorflow实现的DCGAN，自动生成动漫头像(内有头像数据爬取和裁剪函数)，也可以生成任意数据集（将数据文件夹放于data文件夹下即可，如data/faces/*.jpg）

条件生成对抗网络（CGAN）， tensorflow实现

# 工程内容 这个程序是基于tensorflow的tflearn库实现部分RCNN功能。 # 开发环境 windows10 + python3.5 + tensorflow1.2 + tflearn + cv2 + scikit-learn # 数据集 采用17flowers据集, 官网下载：http://www.robots.ox.ac.uk/~vgg/data/flowers/17/ # 程序说明 1、setup.py---初始化路径 2、config.py---配置 3、tools.py---进度条和显示带框图像工具 4、train_alexnet.py---大数据集预训练Alexnet网络 5、preprocessing_RCNN.py---图像的处理（选择性搜索、数据存取等） 6、selectivesearch.py---选择性搜索源码 7、fine_tune_RCNN.py---小数据集微调Alexnet 8、RCNN_output.py---训练SVM并测试RCNN（测试的时候测试图片选择第7、16类中没有参与训练的，单朵的花效果好，因为训练用的都是单朵的） # 文件说明 1、train_list.txt---预训练数据，数据在17flowers文件夹中 2、fine_tune_list.txt---微调数据2flowers文件夹中 3、1.png---直接用选择性搜索的区域划分 4、2.png---通过RCNN后的区域划分 # 程序问题 1、由于数据集小的原因，在微调时候并没有像论文一样按一个bitch32个正样本，128个负样本输入，感觉正样本过少； 2、还没有懂最后是怎么给区域打分的，所有非极大值抑制集合canny算子没有进行，待续； 3、对选择的区域是直接进行缩放的； 4、由于数据集合论文采用不一样，但是微调和训练SVM时采用的IOU阈值一样，有待调参。

# 工程内容 这个程序是基于tensorflow的tflearn库实现部分RCNN功能。 # 开发环境 windows10 + python3.5 + tensorflow1.2 + tflearn + cv2 + scikit-learn # 数据集 采用17flowers据集, 官网下载：http://www.robots.ox.ac.uk/~vgg/data/flowers/17/ # 程序说明 1、setup.py---初始化路径 2、config.py---配置 3、tools.py---进度条和显示带框图像工具 4、train_alexnet.py---大数据集预训练Alexnet网络，140个epoch左右，bitch_size为64 5、preprocessing_RCNN.py---图像的处理（选择性搜索、数据存取等） 6、selectivesearch.py---选择性搜索源码 7、fine_tune_RCNN.py---小数据集微调Alexnet 8、RCNN_output.py---训练SVM并测试RCNN（测试的时候测试图片选择第7、16类中没有参与训练的，单朵的花效果好，因为训练用的都是单朵的） # 文件说明 1、train_list.txt---预训练数据，数据在17flowers文件夹中 2、fine_tune_list.txt---微调数据2flowers文件夹中 3、1.png---直接用选择性搜索的区域划分 4、2.png---通过RCNN后的区域划分 # 程序问题 1、由于数据集小的原因，在微调时候并没有像论文一样按一个bitch32个正样本，128个负样本输入，感觉正样本过少； 2、还没有懂最后是怎么给区域打分的，所有非极大值抑制集合canny算子没有进行，待续； 3、对选择的区域是直接进行缩放的； 4、由于数据集合论文采用不一样，但是微调和训练SVM时采用的IOU阈值一样，有待调参。

Efficient Graph-Based Image Segmentation（中文参考：http://blog.csdn.net/mao_kun/article/details/50576036）的实现源码（C++，看不懂）,自己尝试用python实现，未遂。 环境：windows10 + Visual Studio 2013 + python3.5 程序： segment.cpp---主函数，可以改图片的输入路径 jpg2ppm.py---由于上面的程序图片输入格式是ppm，所以写了一个转成ppm格式的python函数（不一定要jpg输入） ppm2jpg.py---输出图片也是ppm格式，这个python函数可以转成jpg格式进行显示。

# CNN_UCMerced-LandUse_Caffe（数据：http://vision.ucmerced.edu/datasets/landuse.html） 主要任务：基于深度学习框架完成对光学遥感图像UCMerced LandUse数据集的分类。 数据特点：共包含21类土地类型图片，每类100张，每张像素大小为256*256，数据类内距离大，类间小。 完成情况：数据量太小，训练数据出现过拟合；为了克服这个问题，又减小训练时间，采用caffe框架，在别人训练好的bvlc_reference_caffenwt模型上进行fine-tune，对最后一层设置较大的学习速率，结果取得了93%的正确率；在这基础上又在fc7层上提取了每张图片的4096维特征，进行了SVM分类，取得了95%以上的分类正确率，并对结果做了可视化分析。 环境：ubuntu14.04 + caffe + python（数据划分和增强在用windows10的3.5，其余都是unbuntu下用的2.7） 程序(相关路径需要修改)/步骤： multi_divide_pic.py---多进程进行数据划分（cv2没装成功，建议用cv2，方便） multi_augmentation_pic.py---多进程数据增强 make_caffe_lmdb.py---生成caffe训练需要的数据路径文件，然后修改caffe配置文件 bvlc_reference_caffenet.caffemodel---caffe模型，在上面进行finetune（http://dl.caffe.berkeleyvision.org/?from=message&isappinstalled=1） binaryproto2npy.py---将caffe生成的均值文件转换成.npy格式 cnn_vision_caffe.py---对训练好的模型进行可视化分析 extract_features.py---获取每张图片在fc7层输出的4096维特征 svm_predict.py---使用svm对上述提取的特征进行训练预测 svm_vision.py---对svm模型进行可视化分析 tsne.py---对数据进行降维可视化

基于selective_search源码对手写数字串进行过滤分割，并基于tensorflow在mnist训练好的模型进行识别。 环境：Windows10 + tensorflow1.2 + python3.5 + cv2 程序： example/demo.py---对手写数字图片的分割，并将每个数字做成28*28的黑底白字图片，保存在本地image_data.npy example/mnist_model.py---对手写体mnist数据集进行训练，训练好后读取数据进行识别 example/camera.py---是调用计算机摄像头获取图片用的，按q退出拍照 selectivesearch/selectivesearch.py---是选择性搜索的源代码 注意：手写数字的图片尽量不要太大（太大会显得数字写的太细，调大数字粗细度），每个数字大小不要差太多，可以在画板上写的一个数字长宽在50像素左右效果不错，其他的没有测试过。

该项目主要为小型超市提供服务，数据以流的方式写到硬盘，完成对超市内商品和员工的管理。主要功能用户登录、注册、前台收银、商品管理。 采用C/S架构，利用面向对象的编程思想采用纯JAVA程序进行开发，数据的读写都是通过流的方式写到硬盘。

KNN的java简单实现多类分类,数据集来自Iris

matlab 多个分水岭算法实现图像分割，注释详细

内容包括LCD显示 数码管显示 小键盘扫面 proteus仿真 C51代码

信号发生器 包括使用数码管 AD DA，产生调频调幅的仿真与代码

学生信息管理系统 delphi+SQL server2000

本书第一、二、三版分别出版于 1987年、1993年和2003年。基于作者20多年来从事数学建模教学、组织数学建模竞赛、开设数学实验课程以及编写相关图书的经验，参考国内外数学建模教材和教学单元，第四版在保持前三版基本结构和风格的基础上，进行补充与修订：增加了一些实用性较强、生活气息浓烈、数学推导简化的案例，改写、合并、调整了若干案例和章节，删除了个别案例，并对习题作了相应的修订。

中文名称为“交互式的线性和通用优化求解器”，是由美国LINDO系统公司（Lindo System Inc.）开发的一套专门用于求解最优化问题的软件包，用于求解线性规划和二次规划问题，LINGO可以求解非线性规划问题，也可以用于一些线性和非线性方程（组）的求解等。此外，LINGO还允许优化模型中的决策变量为整数（即整数规划），其执行速度很快 ，是求解优化模型的最佳选择。