注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. Android项目源码利用加速度传感器实现计步

  2. 主要功能 记录行走的步数，行走的时间 根据录入的体重，步长可以计算出每天行走的历程，消耗的热量 对每天行走的历程进行记录，并给出星级评价 软件原理 判断人是否处于行走中，主要从以下几个方面判断： 人如果走起来了，一般会连续多走几步。因此，如果没有连续4-5个波动，那么就极大可能是干扰。 人走动的波动，比坐车产生的波动要大，因此可以看波峰波谷的高度，只检测高于某个高度的波峰波谷。 人的反射神经决定了人快速动的极限，怎么都不可能两步之间小于0.2秒，因此间隔小于0.2秒的波峰波谷直接跳过通过重力加

  3. 所属分类：Android

    • 发布日期：2016-05-27
    • 文件大小：3mb
    • 提供者：qq_35066663

  1. Internship_2021:Github页面用于语义分割工作的实习描述-源码

  2. 计算机视觉实习：用于场景理解的RGB-D语义分割 语境 我们正在寻找里尔大学Fox团队，CRIStAL的计算机视觉研究工作的实习生。 FoX团队致力于从各种视觉输入（图像，视频，深度信息，基于事件的传感器等）中提取信息。我们的研究方向包括： 人类行为理解 面部表情识别 生物启发的模式识别方法 对物体和场景的理解。 目标 语义场景感知和理解是许多现代应用程序（例如移动机器人导航）的基本任务。为了实现这一任务，语义分割是许多后续过程的第一步：人的感知，避障，语义映射等。语义分割是将图像的每个像素分配

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：102kb
    • 提供者：weixin_42117150

  1. RMAI2020-Perception-源码

  2. 中国科学院自动化研究所--Team Neurons 是时候开始了！··提出 相关工作及成果 发表文献： 李H，张Q和赵D. “在未知环境中导航的基于深度强化学习的自动探索，”《神经网络与学习系统的IEEE交易》，第1卷。 31号6，pp。2064-2076，2020。 感知模块 目录 软件功能介绍 感知模块功能是通过安装在机器人上的传感器，获取周围的信息。包括检测机器人和装甲板，识别机器人的阵营和编号，获取机器人的位置和姿态，输入给决策和规划模块。 RM AI机器人 机器人安装有雷达，

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：118mb
    • 提供者：weixin_42102401

  1. SensorNet:加速度计网-源码

  2. 传感器网 加速度计网 MPU6050寄存器 神经网络

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：16mb
    • 提供者：weixin_42142062

  1. YAFS-源码

  2. 消息 YAFS的新版本是可用的。 它支持+ Python3.6。 它取决于更少的第三库。它更轻便，更容易安装。 它具有4个超赞的“ tutorial_scenarios”或框架，因此您可以使用它们通过人工智能，规则，神经网络等使用您想要的任何内容来创建自己的场景。 笔记： 文件夹“ examples”中的先前示例尚未使用此版本的最新信息，但代码会保留下来，以供您启发。 文档的某些部分仍未更新。 描述 YAFS（Yet Another Fog Simulator）是一种基于Python的体系结构的

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：96mb
    • 提供者：weixin_42122988

  1. Somatic:开放式硬件数据手套-源码

  2. 体细胞的 Somatic是可穿戴的键盘和鼠标。 它可以将手势和动作转化为行动，就像《龙与地下城》中法术的躯体成分一样。 Somatic项目的优先事项是： 平视显示器可控制任何可穿戴计算机 随时可用，无需互联网即可全天使用 不会引起疲劳或干扰其他任务 足够快，可以在不到10秒的时间内进行快速搜索 体细胞不： 在3D空间中重现您的手 让您在虚拟键盘上键入 完全使用任何云服务 该项目仍处于相当粗糙的状态。 该路线图包括： 建立培训工具 收集手势样本 使用人工神经网络识别字母 实施陀螺仪鼠标 实

  3. 所属分类：其它

  1. dla:音频处理的深度学习-源码

  2. 音频深度学习（DLA） 每周的讲座和研讨会资料位于./week*文件夹中，有关资料和说明，请参阅README.md。 任何技术问题，想法，课程资料中的错误，贡献想法-添加问题 该课程的当前版本于2020年秋季在的进行 教学大纲 数字信号处理简介 讲座：信号，傅立叶变换，频谱图，MFCC等 研讨会：PyTorch简介，DevOps，深度学习研发 自动语音识别I 讲座：指标，注意力，LAS，CTC，BeamSearch 研讨会：Docker，W＆B，音频增强 自动语音识别II 演讲：LM融

  3. 所属分类：其它

  1. RonaldsonBellande:我的个人资料库-源码

  2. 你好呀 :waving_hand: ，我是Ronaldson Bellande :high_voltage: :books: 关于我和我的兴趣： 我目前正在大学深造，有6年的编程经验和9年的工程经验。 专注于机器人技术，机器人学习，类人机器人，机器人套装，Web开发，人工智能，传感器，计算机视觉，机器学习，深度学习，深度神经网络，神经网络，深度强化学习，强化学习，数据分析，数据挖掘，健康数据分析，替代能源，电池，发动机工程，3D打印，太空技术，用户界面/用户体验，游戏设计，模拟人工智能，人

  3. 所属分类：其它

  1. neuro-currentRF:连续刺激范式下MEG源分析的统一方法-源码

  2. 想为您的数据尝试ncRF ？？？ 现在可以获得有关真实数据集的教程。 数控射频 通常使用线性滤波器（听觉时间响应函数（TRF））来描述对诸如语音之类的连续听觉刺激的磁脑电图（MEG）响应。 尽管已经很好地表征了传感器水平TRF的组成部分，但对潜在神经React的皮层分布却知之甚少。 在我们最近的工作中，我们提供了一个统一的框架，通过将TRF和分布式正向源模型集成为一个模型，并将联合估计任务转换为贝叶斯优化问题，从而直接从MEG数据确定神经源的TRF。 尽管由此产生的问题是非凸的，但我们提出了有

  3. 所属分类：其它

    • 发布日期：2021-03-06
    • 文件大小：391kb
    • 提供者：weixin_42120283

  1. msda:多维时间序列数据分析，无监督特征选择，无监督异常检测和可解释的AI-源码

  2. 概述 基于高异质/均匀时间序列多传感器数据的实时异常检测的无监督特征选择和/或无监督深度卷积神经网络和lstm自动编码器的原型。 内置时间序列预测器的可解释AI原型。 无监督特征选择的直观表示如下所示。 无监督实时点异常检测的直观表示如下所示。 从当地的解释，全球理解与解释的AI树木-从这里动机- ，图片来源-https: MSDA 1.0.8 什么是MDSA？ MSDA是Python中的开源low-code多传感器数据分析库，旨在在时序多传感器数据分析和实验中将假设减少到洞察周期

  3. 所属分类：其它

  1. SelfDrivingCarNanoDegree：有关计算机视觉，传感器融合，本地化，计划，控制和系统集成的项目-源码

  2. Udacity自动驾驶汽车纳米度 专案 使用camara数据大致检测车道线。 使用camara数据检测车道线。 具有使用python和tensorflow的卷积神经网络的交通标志分类器。 卷积神经网络可根据摄像机图像预测转向角，从而使汽车能够在模拟器中自主行驶。 扩展卡尔曼滤波器的C ++实现。 使用激光雷达和雷达测量来跟踪移动物体的位置和速度。

  3. 所属分类：其它

    • 发布日期：2021-02-27
    • 文件大小：369mb
    • 提供者：weixin_42099530

  1. nanoCluster：一个简单的计算平台-源码

  2. 纳米簇 一个简单的计算平台。 这是一个简单的群集，由四台NVIDIA Jetson Nano单板计算机（提供群集的基本计算资源）以及触摸屏LCD（用作群集的监视和控制控制台）组成。 尽管nanoCluster是适用于许多用例的通用计算平台，但它最初是作为开发的实验平台而创建的， 是AGI的混合神经/符号体系结构。 xavierEdge进一步扩展了nanoCluster，xavierEdge是配备有各种传感器和执行器的节点。 nanoCluster的物理组件在其清单中列出； 有关群集物理组装的

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：13mb
    • 提供者：weixin_42126399

  1. AutoRCCar：OpenCV Python神经网络自主RC Car-源码

  2. 汽车遥控车 Python3 + OpenCV3 观看自动驾驶 该项目使用Raspberry Pi，Arduino和开源软件构建了自动驾驶RC汽车。 Raspberry Pi从摄像头模块和超声传感器收集输入，然后将数据无线发送到计算机。 计算机分别处理输入图像和传感器数据以进行目标检测（停车标志和交通信号灯）和避免碰撞。 神经网络模型在计算机上运行，​​并根据输入图像进行转向预测。 然后将预测结果发送到Arduino以进行RC汽车控制。 使用Anaconda设置环境 在计算机上安装 使用该项

  3. 所属分类：其它

  1. awesome_speech_papers：awesome_speech_papers-源码

  2. 关于此存储库 该资料库适合那些想学习语音任务的人员，例如语音识别，Speecn综合，口语理解等。 我没有尝试调查尽可能多的论文，而是按照我的标准对最关键的论文（尤其是最近发表的论文）进行了调查。 对于韩国人） 관련는는任务（음성，음성등）싶은들을들을들을들을들을다。 c이퍼를이포함하기보다합니（citation이충분히，신뢰할기관에서다수행했등등）이페이퍼들을다。 （주관적일） 指数 1，端到端语音识别 基于CTC的ASR模型 具有基于注意力的ASR模型的Seq2Seq CTC和注意力混合A

  3. 所属分类：其它

  1. 神经传感器-源码

  2. 神经传感器

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：163mb
    • 提供者：weixin_42099755

  1. 自主驾驶车辆-源码

  2. 自主驾驶车辆 概述 在强化环境中使用进化机制训练神经网络。 神经网络在输入层有5个节点，每个节点用于传感器，在输出层有2个节点用于向前运动和操纵。 创建了10个人，每个人执行活动60秒。 然后计算适应度，并随机突变5个较低适应度的个体。 依存关系 Unity 3D游戏引擎 编辑项目所需。 示范步骤 没有依赖关系可以运行演示。 Windows：- Open output/Windows folder Double click on Autonomous-Driving-Vehicle.exe

  3. 所属分类：其它

    • 发布日期：2021-02-17
    • 文件大小：94mb
    • 提供者：weixin_42159267

  1. neuros_hcsr04：与HC-SR04传感器接口的Elixir库-源码

  2. 神经_Hcsr04 待办事项：添加说明 安装 如果，包装可以通过添加安装hcsr04你在依赖列表mix.exs ： def deps do [ { :nerves_hcsr04 , " ~> 0.1.0 " } ] end 用法 { :ok , pid} = Hcsr04 . start_link ([ trigger: 18 , echo: 24 ]) distance_in_mm = Hcsr04 . read (pid) 可以使用生成文档并在发布。 发布后，可以

  3. 所属分类：其它

  1. 神经翻译-源码

  2. 神经转换器用于传感器数据生成 特权学习用于人类活动识别 发表在基于案例推理的国际会议上（第448-463页）。 湛史普林格。 引用： inproceedings { wijekoon2018improving , title = { Improving kNN for Human Activity Recognition with Privileged Learning Using Translation Models } , author = { Wijekoon, Anjana

  3. 所属分类：其它

    • 发布日期：2021-02-13
    • 文件大小：67kb
    • 提供者：weixin_42134240

  1. awesome-tensorflow：TensorFlow-专用资源的精选列表http://tensorflow.org-源码

  2. 很棒的TensorFlow 精选的TensorFlow实验，库和项目的精选列表。 受到很棒的机器学习的启发。 什么是TensorFlow？ TensorFlow是一个开源软件库，用于使用数据流图进行数值计算。 换句话说，构建深度学习模型的最佳方法。 更多信息。 目录 从基础到TensorFlow的稍微有趣的应用 基于Google的TensorFlow框架的深度学习简介。 这些教程是Newmu Theano的直接移植 这些教程适用于深度学习和TensorFlow的初学者，提供了详细记录的代码

  3. 所属分类：其它

    • 发布日期：2021-02-13
    • 文件大小：15kb
    • 提供者：weixin_42102933

  1. nasa-turbofan-failure-prediction：数据分析和预测建模项目，重点关注涡轮风扇发动机的剩余使用寿命-源码

  2. NASA涡轮风扇故障预测 这个数据分析/机器学习项目研究了行为变量与故障发生之间的关系（就剩余的发动机循环而言），用于来自NASA研究项目的模拟运行涡扇数据。 该项目从对数据集的探索开始，随后是基于当前引擎读数的引擎剩余使用寿命（RUL）预测模型的开发。 建模技术包括线性回归和神经网络（使用TF-Keras）。 培训数据来自NASA预测中心数据存储库： : 可以在以下找到有关此调查的文章： : 项目目标 分析发动机性能与剩余使用寿命之间的关系。 开发剩余使用寿命的预测模型。 探索

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：48mb
    • 提供者：weixin_42112894
« 12 »