交警路况监控Demo
|
规则框检测Demo
|
对象检测器Demo 这是基于CPU的对象检测器,使用前需要通过z_ai_model建模
|
基于z_ai_model生成的.imgdataset数据样本库训练模型
|
基于z_ai_model生成的.XML数据样本库训练模型
|
基于ZAI_IMGMatrix_Tool生成的大规模数据样本库训练模型
|
形状预测器Demo
|
示范怎样训练形状预测器
|
人脸检测CPU版本,使用OD技术体系
|
人脸检测CPU版本,使用并行化OD技术体系
|
人脸检测GPU版本,实时检测支持
|
人脸对齐,使用CPU架构
|
人脸对齐,使用CPU并行化架构
|
人脸识别全过程Demo详解,使用CPU检测和对齐,然后使用度量化学习模型输出分类向量,最后再使用Learn提供的KDTree做分类向量匹配来完成人脸学习
|
人脸识别全过程Demo详解,使用GPU检测和对齐,然后使用度量化学习模型输出分类向量,最后再使用Learn提供的KDTree做分类向量匹配来完成人脸学习
|
人脸度量化网络的深度学习demo,样本数据通过zAI提供的ZAI_IMGMatrix_Tool生成
|
基于GPU的对象检测器Demo,超实时性,模型样本需要z_ai_model生成,运行该Demo的显存至少需要8G,民用显卡建议配到GPU上到Titian级别
|
基于GPU的对象检测器Demo,超实时性,模型样本需要z_ai_model生成,运行该Demo的显存至少需要8G,民用显卡建议配到GPU上到Titian级别 使用mp4视频的超市物品游荡检测demo,拍摄很随意,手机光圈很小,模糊雾化效果明显,成功完成:小杂货,饮料,罐装物品等等检测 该Demo基于z_ai_model视频建模功能完成的模型工作
|
基于GPU的对象检测器Demo,超实时性,模型样本需要z_ai_model生成,运行该Demo的显存至少需要8G,民用显卡建议配到GPU上到Titian级别 根据用户要求,特别编写的基于1080i高清视频实时检测韩国美女车模胸部 该Demo基于z_ai_model视频建模功能完成的模型工作
|
基于残差网络的图片分类器demo,完整GPU体系,包含训练和识别分类,数据样本格式.imgMat,总共5类图片,如下
|
基于残差网络的图片的2级分类器demo,完整GPU体系 该Demo总共使用了3个模型 1,残差网络图片分类模型 2,汽车轮毂检测模型 3,人脸检测和对齐模型 它演示了输入图片后,识别图片分类,再针对不同分类使用不同程序处理的工作机制
|
基于大规模残差网络的图片分类器demo,完整GPU体系,包含训练和识别分类,数据样本格式.imgMat,可以支持数百TB的分类图片学习体量,总共5类图片,如下
|
大规模度量化网络分类器Demo,完整GPU体系,包含训练和测试,数据样本格式.imgMat,可以支持数百TB的分类图片学习体量, 使用开源mnist的样本库测试通过,总共7万张图片,1小时完成度量化学习,全部测试通过
|
基于Google LeNet的DNN优化算法Going Deeper With Convolutions图片分类器demo,完整GPU体系,包含训练和测试,数据样本格式.imgMat,可以支持数百TB的分类图片学习体量, 使用开源mnist的样本库测试通过,总共7万张图片,5分钟内即可完成度模型训练,全部测试通过 技术paper摘要 CVPR-2015 "Going Deeper with Convolutions" Christian Szegedy Scott Reed Google Inc paper author create by qq600585, test passed. 2019/4
|
基于Gradient-based learning applied to document recognition的图片分类器demo,完整GPU体系,包含训练和测试,数据样本格式.imgMat,可以支持数百TB的分类图片学习体量 使用开源mnist的样本库测试通过,总共7万张图片,10分钟内即可完成度模型训练,全部测试通过 这是一篇古老的论文,zAI从其中拔出了一部分用于图片分类器算法 技术paper摘要 LeCun, Yann, et al. "Gradient-based learning applied to document recognition." im extracting CNN net struct part, not text recognition!!
|
快速的surf特征提取和匹配demo
|
基于GPU的视频内容锁定追踪器
|
基于CPU的视频内容锁定追踪器
|
这个Demo是让我们手动框选一个视频区域,接下来VideoTracer开始工作
|
该Demo示范了图像语义分割技术的训练和使用,训练需要的样本通过z_ai_model生成,需要GPU支持,并且要求民用gpu至少达到titian级
|
该Demo以整合形式,将ZAI图形输出部分的光栅系统特性展示出来,它分别对各种图像的编码格式,是否走样,编码解码性能都做出了准确的机器评估 这些图形输出部分的光栅系统都是原生构建的,没有使用第三方,如果我们要构建跨平台的光栅功能,对于该Demo给出指标一定要好好研究
|
这是DrawEngine的Hello world,该demo以超简方式示范了怎样画出一张会旋转的透明图片
|
该Demo示范了怎样使用zAI的简易脚本做图像预处理,我们做模型样本提炼时,script是常用工具之一
|
该demo用使用kdtree做了一个1维空间的kdtree查找示范,我们可以通过修改demo源码参数,将存储量提高比如1个亿,借此来领略一下kdtree的快速查找能力
|
该demo示范了随机森林的分类器算法
|
该Demo示范了Learn中的各种神经网络做分类决策
|
该Demo示范了如何训练神经网络做数值减法学习
|
该Demo示范了在CS网络结构中如何实现人脸input到服务器去识别,同时它也支持从客户端输入人脸去服务器学习,server是cpu架构的face识别 该架构的前端可以手机和IOT,通过云计算实现人脸识别
当它无法识别目标人物时,会报告给你
|
该Demo示范了使用流式视频输入到server做OD识别(服务器是cpu识别架构),待完成后同步在客户端反馈出来
|
该Demo示范了使用流式视频输入到server做OD识别(服务器是gpu识别架构),待完成后同步在客户端反馈出来
|
该Demo示范了使用流式视频输入到server做人脸识别(服务器是cpu识别架构),待完成后同步在客户端反馈出来
|
该Demo示范了使用流式视频输入到server做人脸识别(服务器是gpu识别架构),待完成后同步在客户端反馈出来
|
该Demo示范了ffmpeg的帧读取和以及通过drawEngine画到屏幕上
|
该demo示范了使用三角拼合的图像投影技术
|
该Demo给出了各种压缩器的性能指标
|
该demo给出了两种不同的memory map使用场景demo,memory map是一种无拷贝的数据处理机制,它在光栅和流系统被大量使用
|
该demo演示了sift的特征匹配,sift相比surf会更慢,而sift的特征质量要高于surf 该demo使用的sift是原生算法,全世界唯此一个pascal并行版本的sift
|
该demo演示了在不规则区域提取和匹配sift的方法
|
该Demo示范了使用DrawEngine,绕过obs这类捕获系统,将渲染内容直接输出到视频,可以支持两种视频格式,分别是yv12和h264 yv12和h264均是原生编码解码器
|
该Demo示范了在DrawEngine使用同一个渲染指令流,分别以软件渲染(Rastermization)和硬件渲染(fmx->d2d->d3d)的对比
|
该Demo示范了yv12(y4m)到h264的光栅转换
|
该Demo示范了并行化填充多边形技术
|
该demo示范了怎样对各种多边形的相交坐标计算
|
该Demo示范了怎样使用矩阵和向量表达式
|
处于对自然句法支持度的深度测试,该Demo对zExpression的解析能力,以及运算能力做出了完整的评估和技术支持
|
该Demo对彩色定义文本输出技术做出了完整的技术演示
|
该demo对多边形的放大与等距放大做出了直观效果
|
该demo演示了多边形的三角最优化切分,因为光栅系统大量应用三角投影,切分优化是必不可少的支持
|
该demo演示了怎样使用霍夫变换做图像旋转矫正
|
该demo演示了pca的使用以及讲解概念
|
该demo演示了lda的降维原理以及讲解概念
|
该demo演示了使用TextParsing文本解析引擎机器化对pascal语言进行%二进制类申明翻译
|
该Demo是针对代码机器人,大规模代码翻译的技术支持,它演示了对pascal语言的uses依赖关系的解析和排序,它可以解析出uses过哪些库,以及$I过那些源码,并且排序 使用这项技术的制作的开源项目 https://github.com/PassByYou888/FFMPEG-Header
|
颜色分割器,这是图像语义分割的颜色分析部分支持模块, 通过色差计算,它可以独立运行并且分析图像中的色区,帮助我们提取和构建大数据系统
|
该Demo演示了怎样使用drawEngine将绘图内容高速输出到fmx-tbitmap中,如果我没猜错,每秒可以绘制几千副tbitmap
|
该demo演示了TMemoryRaster内置的光栅字体效果,经过了8线性采样处理后的字体,注意边缘
|
该Demo演示了对z_ai_model生成的.ai_set数据库进行解析和重构,这是制作大数据样本必须了解的东西
|
|
蜀ICP备19003064号-1
2019-3
by.qq600585