利用了Tensorflow的slim框架实现了一个可以对任意车辆图片进行车辆检测和型号分类的识别系统；对数据集中部分图片使用LabelImg工具进行了Bounding Box标注，使用MobileNet模型的SSD检测框架，借助其预训练模型并利用这些标注图片，训练和实现了车辆的位置检测模型；训练并调优了InceptionV4模型实现对车辆类型的分类；将位置检测结果的裁剪子图送入型号分类模型，以此完成对两个模型串行的衔接，并最终形成了一套完整的可以运行演示的web产品。
最近更新: 4年多前使用了网络：InceptionV4及其预训练模型，在Tensorflow的slim框架下，对书法数据集进行训练和识别，对其中的preprocessing过程进行了修改和优化，最终对书法字的识别准确率达98.7%，达到自由练习榜第五名。比赛网址：https://www.tinymind.cn/competitions/41#ranking
最近更新: 4年多前以VGG16模型为基础，构建了一个FCN训练模型，使用Pascal2 VOC2012中语义分割的数据集。上传了：全部代码、以及数据生成代码：convert_fcn_dataset.py ； 修改的模型构建代码：train.py ； 心得体会 ； 以及自己的数据集压缩为了code.zip，里面包括两个tfrecord文件和预训练模型checkpoint
最近更新: 4年多前利用slim框架和object_detection框架，实现了一个物体检测的模型。提交了：心得体会、生成数据的create_pet_tf_record.py、生成的两个数据文件pet_train.record、pet_val.record、配置config文件以及输出的测试图片。tinymind和完整代码的GitHub相关地址见心得体会文档。
最近更新: 4年多前卷积操作的实现：conv2d.ipynb ； mnist识别：代码cnn_mnist,ipynb； Word文档--“基于Mnist数据集的卷积神经网络训练过程”中附上了tinymind地址和结果截图
最近更新: 4年多前
