|
|
|
@ -6,7 +6,7 @@
|
|
|
|
## 详细视频教程地址：
|
|
|
|
## 详细视频教程地址：
|
|
|
|
* 视频教程地址：https://www.bilibili.com/video/av89134035
|
|
|
|
* 视频教程地址：https://www.bilibili.com/video/av89134035
|
|
|
|
### 目的是
|
|
|
|
### 目的是
|
|
|
|
低硬件成本，CPU可快速学习运行，面向jAVA开发的程序员，经过简单API调用就可实现物体在图像中的识别，及定位等功能
|
|
|
|
低硬件成本，CPU可快速学习运行，面向jAVA开发的程序员，经过简单API调用就可实现物体在图像中的识别，定位及中文语言分类等功能
|
|
|
|
### 特点是
|
|
|
|
### 特点是
|
|
|
|
入手门槛低，简单配置，快速上手
|
|
|
|
入手门槛低，简单配置，快速上手
|
|
|
|
#### 为什么做这个包
|
|
|
|
#### 为什么做这个包
|
|
|
|
@ -209,6 +209,7 @@
|
|
|
|
#### 本包为性能优化而对AI算法的修改
|
|
|
|
#### 本包为性能优化而对AI算法的修改
|
|
|
|
* 本包的自然语言是通过内置分词器进行语句分词，然后再通过不同分词的时序进行编号成离散特征，最后进入随机森林分类
|
|
|
|
* 本包的自然语言是通过内置分词器进行语句分词，然后再通过不同分词的时序进行编号成离散特征，最后进入随机森林分类
|
|
|
|
* 本包对图像AI算法进行了修改，为应对CPU部署。
|
|
|
|
* 本包对图像AI算法进行了修改，为应对CPU部署。
|
|
|
|
|
|
|
|
* 卷积层不再使用权重做最终输出，而是将特征矩阵作出明显分层的结果。
|
|
|
|
* 卷积神经网络后的全连接层直接替换成了LVQ算法进行特征向量量化学习聚类，通过卷积结果与LVQ原型向量欧式距离来进行判定。
|
|
|
|
* 卷积神经网络后的全连接层直接替换成了LVQ算法进行特征向量量化学习聚类，通过卷积结果与LVQ原型向量欧式距离来进行判定。
|
|
|
|
* 物体的边框检测通过卷积后的特征向量进行多元线性回归获得，检测边框的候选区并没有使用图像分割（cpu对图像分割算法真是超慢），
|
|
|
|
* 物体的边框检测通过卷积后的特征向量进行多元线性回归获得，检测边框的候选区并没有使用图像分割（cpu对图像分割算法真是超慢），
|
|
|
|
而是通过Frame类让用户自定义先验图框大小和先验图框每次移动的检测步长，然后再通过多次检测的IOU来确定是否为同一物体。
|
|
|
|
而是通过Frame类让用户自定义先验图框大小和先验图框每次移动的检测步长，然后再通过多次检测的IOU来确定是否为同一物体。
|
|
|
|
|
lidapeng
5 years ago