使用深度学习（而不是Haar级联）进行更准确的面部检测。这个经过预训练的模型是OpenCV库的一部分（从3.3版开始） architecture.txt Caffe Face Detector (OpenCV Pre-trained Model)_datasets..txt Caffe Face Detector (OpenCV Pre-trained Model)_datasets..zip

trained model & model code.rar

本文来自于segmentfault.com，文中主要讲解了布式环境下机器学习编程,对于输入数据较多的情况我们要从Extract，Transform，Load三方面考虑进行优化处理。迁移学习就是用别人已经训练好的模型，如：InceptionModel，ResnetModel等，把它当做Pre-trainedModel，帮助我们提取特征。常用方法是去除Pre-trainedModel的最后一层，按照自己的需求重新更改，然后用训练集训练。因为Pre-trainedModel可能已经使用过大量数据集，经

COLAB_UPSNet 在Google colab上运行UPSNet。 以下是说明： UPSNet_Colab_GDrive_DataSet.ipynb-测试和训练UPSNet，将城市景观数据集保留在GDrive上。 UPSNet_Colab_Local_DataSet.ipynb-测试和训练UPSNet，将城市景观数据集保留在colab空间中。 TrainedModel-包含经过训练的模型文件，可直接用于测试目的。 这些文件需要放在以下位置的输出文件夹中：output \ upsne

本文来自于segmentfault.com，文中主要讲解了布式环境下机器学习编程,对于输入数据较多的情况我们要从Extract，Transform，Load三方面考虑进行优化处理。迁移学习就是用别人已经训练好的模型，如：InceptionModel，ResnetModel等，把它当做Pre-trained Model，帮助我们提取特征。常用方法是去除Pre-trainedModel的最后一层，按照自己的需求重新更改，然后用训练集训练。