精华内容
下载资源
问答
  • [网络安全自学篇] 二十三.基于机器学习的恶意请求识别及安全领域中的机器学习
    万次阅读 多人点赞
    2019-11-01 10:17:19

    这是作者的系列网络安全自学教程,主要是关于网安工具和实践操作的在线笔记,特分享出来与博友共勉,希望您们喜欢,一起进步。前文分享了Web渗透的第一步工作,涉及网站信息、域名信息、端口信息、敏感信息及指纹信息收集。这篇文章换个口味,将分享机器学习在安全领域的应用,并复现一个基于机器学习(逻辑回归)的恶意请求识别。

    作者作为网络安全的小白,分享一些自学基础教程给大家,希望你们喜欢。同时,更希望你能与我一起操作深入进步,后续也将深入学习网络安全和系统安全知识并分享相关实验。总之,希望该系列文章对博友有所帮助,写文不容易,大神请飘过,不喜勿喷,谢谢!

    下载地址:https://github.com/eastmountyxz/NetworkSecuritySelf-study
    百度网盘:https://pan.baidu.com/s/1dsunH8EmOB_tlHYXXguOeA 提取码:izeb

    更多相关内容
  • 基于机器学习算法的交通标志图像智能识别.pdf
  • 基于机器学习标志物非依赖型酒类识别技术,李蓓,张晓萌,可靠简便的检测方法是食品安全和品质的技术保障。传统分析方法主要依赖于对特征组分的分析,灵活性差,以偏概全,容易被不法分子
  • 深度学习是一种机器学习技术,可以教计算机去做人类自然想到的事情:通过示例学习。 深度学习是无人驾驶汽车背后的一项关键技术,使无人驾驶汽车能够识别停车标志,或区分行人与路灯柱。 它是电话,平板电脑,电视和...
  • 3、对于交通标志的 检测与识别两部分, 都要结合机器学习,能 够实现优化,可以让我 使用正样本及负样本对于程序进行训练, 对于新增的样本,我也要可以导入到程序中进行训练,不局限于 一部分样本; 4、一帧图像中...
  • 机器学习 识别图片人物动作This article was originally written February 28, 2017. 本文最初写于2017年2月28日。 Let’s say you want to teach a computer to read handwritten digits. You might give it a ...

    机器学习 识别图片人物动作

    This article was originally written February 28, 2017.

    本文最初写于2017年2月28日。

    Let’s say you want to teach a computer to read handwritten digits. You might give it a bunch of rules to tell it what to do. For example, an oval is most likely a 0. Another approach you might try is “machine learning.” Give a computer a bunch of examples of each digit to study so that it can learn its own rules. This latter method has worked surprisingly well. In fact, most banks use this technology to allow ATMs or mobile phones read the amount on a check without the need for human interaction.

    假设您想教一台计算机来读取手写数字。 您可能会给它一些规则来告诉它该怎么做。 例如,椭圆形很可能是0。您可以尝试的另一种方法是“机器学习”。 给计算机提供一堆有关每个数字的示例以供学习,以便它可以学习自己的规则。 后一种方法效果很好。 实际上,大多数银行都使用这种技术,使ATM或移动电话无需人工干预即可读取支票上的金额。

    One limitation with current machine learning techniques, however, is that they require a lot of examples. For example, if you want to teach a computer to recognize cats, you need to first give the computer many pictures of cats so it can learn what cats looks like. These examples might not always exist or might be very expensive to obtain. What if you could teach a computer to learn a new concept, such as a “cat,” from just one or two examples? This is exactly what three researchers, Lake, Salakhutdinov, and Tenebaum, from MIT did.

    但是,当前机器学习技术的局限性在于它们需要大量示例。 例如,如果要教计算机识别猫,则需要首先为计算机提供许多猫的图片,以便它可以了解猫的外观。 这些示例可能并不总是存在,或者获取起来可能非常昂贵。 如果您可以仅通过一个或两个示例来教计算机学习诸如“猫”之类的新概念,该怎么办? 这正是麻省理工学院的三个研究人员Lake,Salakhutdinov和Tenebaum所做的。

    The researchers specifically focused on character recognition. They asked: can we teach a computer to recognize new characters after just seeing one example? The end result was an algorithm that was just as good as humans at learning what new characters look like. Specifically, the algorithm performed just as well as humans in character recognition and generation tasks.

    研究人员专门研究了字符识别。 他们问:仅看一个例子,我们可以教一台计算机识别新字符吗? 最终结果是一种算法,与人类在学习新字符的外观方面一样出色。 具体而言,该算法在字符识别和生成任务方面的表现与人类一样好。

    字符识别 (Character Recognition)

    How well can you recognize a character that you’ve never seen before? To evaluate their algorithm’s performance in this test, the researchers compared their algorithm’s performance to that of humans. They first gathered a group of handwritten characters from various alphabets. The researchers then gave each participant an example of a character they had never seen before and asked the participant to find the character in a set of 20 new characters from the same alphabet. They asked their algorithm to do the same. Surprisingly, the algorithm (3.3% error rate) performed just as well as the people (avg. 4.5% error rate)!

    您如何认识以前从未见过的角色? 为了评估该算法在该测试中的性能,研究人员将其算法性能与人类的性能进行了比较。 他们首先收集了来自各种字母的一组手写字符。 然后,研究人员为每个参与者提供了一个他们从未见过的字符的示例,并要求参与者从同一字母的20个新字符集中找到该字符。 他们要求他们的算法做同样的事情。 令人惊讶的是,算法(错误率3.3%)的表现与人员(平均错误率4.5%)一样好!

    Image for post
    Can you find the character that matches the one in the red box?
    您可以在红色框中找到与该字符匹配的字符吗?

    角色产生 (Character Generation)

    Can you generate examples of how other people would write a character? Using the same group of handwritten characters, they gave each participant an example of a character they had never seen before, and then asked the participant to create a new example of that character. They asked their algorithm to do the same thing. To test how well the algorithm did, they showed a group of computer-generated characters and a group of human-written characters to a judge to see if the judge could differentiate between the two. The judges could only identify the computer-generated characters 52% of the time, not doing much better than random chance (50%).

    您能否生成其他人如何写角色的示例? 他们使用同一组手写字符,为每个参与者提供了一个他们从未见过的字符的示例,然后要求参与者创建该字符的新示例。 他们要求他们的算法做同样的事情。 为了测试该算法的效果,他们向法官展示了一组计算机生成的字符和一组人工手写的字符,以查看法官是否可以区分两者。 裁判只能在52%的时间内识别出计算机生成的角色,没有比随机几率(50%)更好。

    Image for post
    It can be hard to find which examples were written by a machine. In this example, grid 1 on the left and grid 2 on the right were generated by machines.
    很难找到由机器编写的示例。 在此示例中,左侧的网格1和右侧的网格2是由机器生成的。

    那么他们是怎么做到的呢? (So how did they do it?)

    Given how well the algorithm does with just one example, the natural question that arises is, how did they do it?

    考虑到该算法仅用一个示例的性能如何,出现的自然问题是,它们是如何做到的?

    The core intuition behind the algorithm is realizing that a character can be seen as a series of strokes put together. The researchers taught the algorithm how to decompose an image of a character into a sequence of strokes that may have been used to write the character. The algorithm could then use this stroke-based representation as a base from which to generate new examples (e.g. Taking into account other ways a stroke might be written) or see which characters could be mapped to the same stroke-pattern.

    该算法背后的核心直觉是认识到一个字符可以看作一系列笔画组合在一起。 研究人员教导了该算法如何将角色的图像分解为可能用于书写角色的一系列笔画。 然后,算法可以使用基于笔画的表示作为基础,从中生成新示例(例如,考虑到笔画的其他编写方式)或查看可以将哪些字符映射到相同的笔画样式。

    To teach the computer how to map from character to strokes, the researchers used a method called Bayesian program learning. They broke up the task of going from character to stroke into parts and modeled each part as a probability distribution (how likely is it that there are three strokes given that the character looks like this… Etc.). Before running the algorithm, they gave the computer characters from 30 alphabets to teach the computer what the probability distributions should look like. While it still needed some data to learn the initial probabilities, now, instead of needing a thousand examples of a new character, now it only needs one!

    为了教计算机如何从字符到笔划进行映射,研究人员使用了一种称为贝叶斯程序学习的方法。 他们分解了从角色到笔画的各个部分的工作,并将每个部分建模为概率分布(假设角色看起来像这样,那么有三笔画的可能性是……)。 在运行算法之前,他们给了30个字母的计算机字符,以告诉计算机概率分布应该是什么样。 虽然它仍然需要一些数据来学习初始概率,但是现在,不需要一千个新角色的示例,现在只需要一个!

    Image for post

    未来步骤 (Future steps)

    Despite the impressive advances, there is still much work to be done. People see more than just strokes when they look at a character; they may also notice features such as parallel lines or symmetry. Furthermore, optional features can cause a lot of difficulty. Consider the character “7”. An algorithm might model it as a one-stroke character the first time it sees it. However, once it sees a “7” with a dash in it, it may consider it to be a different character because that requires two strokes, and it’s never seen a “7” with a dash in it. A human, however, might be able to infer that a “7” with a dash is the same as a “7” without a dash, whether through the context or other factors.

    尽管取得了令人瞩目的进步,但仍有许多工作要做。 人们在看角色时看到的不仅是笔画。 他们可能还会注意到平行线或对称等特征。 此外,可选功能可能会导致很多困难。 考虑字符“ 7”。 一种算法可能会在第一次看到它时将其建模为单笔画字符。 但是,一旦看到带有破折号的“ 7”,它可能会认为它是一个不同的字符,因为这需要两次击键,而且从未看到带有破折号的“ 7”。 然而,无论是通过上下文还是其他因素,人类都可以推断带破折​​号的“ 7”与不带破折号的“ 7”相同。

    Image for post
    Is it a 7?
    是7吗?

    This algorithm is also very specific toward recognizing characters. It would be interesting to see if we could develop similar “one-shot learning” algorithms in other areas. For example, what if a self-driving car could learn to recognize and obey a new sign after watching another car react to it once?

    该算法在识别字符方面也非常具体。 有趣的是,我们是否可以在其他领域开发类似的“一次性学习”算法。 例如,如果无人驾驶汽车在观看另一辆汽车对此作出React后能够学会识别并遵守新的标志,该怎么办?

    One key insight from this paper makes me think that this indeed can be possible. The researchers intentionally told the algorithm to think of characters as a series of strokes being put together rather than a grid of 0s and 1s. This representation is closer to how humans think about characters and using this human-based representation greatly increased how quickly the computer learned. A lot of artificial intelligence techniques have been based on how humans make decisions, but it may prove useful to study more of how humans learn and represent information as well.

    本文的一个主要见解使我认为这确实是可能的。 研究人员有意告诉该算法将字符视为一系列笔画,而不是由0和1组成的网格。 这种表示方式更接近于人类如何思考字符,并且使用这种基于人类的表示方式大大提高了计算机的学习速度。 许多人工智能技术都是基于人类如何做出决策的,但是研究更多关于人类如何学习和表示信息的方法可能被证明是有用的。

    While there is still a lot of work to be done, this paper represents a significant step forward in machine learning world.

    尽管仍有许多工作要做,但本文代表了机器学习领域的重要一步。

    Sources

    资料来源

    翻译自: https://medium.com/@eugene.c.tang/one-shot-learning-character-recognition-explained-54186327622d

    机器学习 识别图片人物动作

    展开全文
  • 通过机器学习识别鸟类 Cacophony Project的广阔愿景是使用最新技术来监视新西兰鸟类的数量,并人道地消除危害其的捕食者。 该项目始于我们创始人的后院,以评估他保护鸟类财产的努力的有效性。 从这个简单的开始,...

    通过机器学习识别鸟类

    Cacophony Project的广阔愿景是使用最新技术来监视新西兰鸟类的数量,并人道地消除危害其的捕食者。

    该项目始于我们创始人的后院,以评估他保护鸟类财产的努力的有效性。 从这个简单的开始,该项目便Swift发展成为一个包含两个边缘设备,一个云服务器以及使用机器学习自动识别动物的系统。 该项目从一开始就是完全开源的,并且收到了各种各样志愿者的定期捐款。

    是什么使新西兰的鸟类如此特别?

    New Zealand tui bird

    翠鸟。

    在新西兰,鸟类是我们的taonga ,我们的珍贵事物。 新西兰与世界其他地区隔绝已有7000万年之久,我们的鸟类物种的进化不受哺乳动物(除了小蝙蝠)的影响。 结果,许多新西兰独特的鸟类,包括我们的国家标志猕猴桃,都没有针对天敌的防御策略。

    New Zealand kiwi bird

    奇异鸟。

    不幸的是,在过去的两个世纪中,欧洲人定居后引入了诸如鼠,鼠和负鼠等入侵物种,使许多鸟类的数量减少了。 现在,80%的本地鸟类已经濒临灭绝或数量下降。

    多年来,保护主义者通过将剩余的人口迁移到无捕食者的岛屿上,从灭绝的边缘拯救了我们的许多标志性物种。 这些岛屿已被艰苦清除所有引进的哺乳动物。 在这些岛屿上,您可以时光倒流,聆听迎接第一批欧洲探险家大声鸣叫的鸟叫声。

    不仅环保主义者在为我们的鸟类而战。 近年来,许多新西兰人每天都组成当地团体,共同合作,捕食捕食者,以期在他们的后院听到我们本地鸟类的旋律鸟鸣。

    我们相信,通过现代化他们使用的工具,我们可以使这些小组更加有效。 通过将数字诱饵与更有效的消除方法结合使用,我们认为这些程序的效率可能高达80,000倍

    我们的技术生态系统

    在过去的几年中,我们使用开源的快速原型制作方法,建立了一个组件生态系统,用于自动监视引入新西兰的鸟类和掠食者。 下图总结了该系统。

    Cacophony ecosystem architecture

    该架构显示了Cacophony生态系统的不同组件之间的交互。

    我们的热视频平台使我们能够监视和观察有害生物的行为。 它专门设计用于检测小型和快速移动的食肉动物,例如小动物和老鼠。 它具有坚固的Raspberry Pi计算机和FLIR Lepton 3热像仪。 电源由电池或交流电源提供,其他自定义硬件提供电源和看门狗功能,引诱掠食者的音频输出以及远程通信。

    Thermal video platform hardware

    散热视频平台硬件。

    我们经过高度调整的运动检测算法可监视实时热像仪的进给并检测温暖,运动的物体(希望是动物)。 当检测到运动时,摄像机开始记录并将其上传到Cacophony Project API服务器进行存储和分析。 通过使用热像仪供稿,我们可以以比追踪相机(通常用于检测较大的哺乳动物,如猪和鹿)更高的灵敏度检测小型哺乳动物。

    高灵敏度很重要,因为我们无法管理无法检测到的内容。 哺乳动物,例如小矮人,难以检测,因为它们体积小,速度快,并且很少与其他检测设备(如跟踪隧道和咀嚼卡)互动。

    我们还创建了可在廉价手机上运行的Android录音机。 在现场安装后,它会进行定期的,客观的,GPS定位的,带时间戳的音频记录,并上传到我们的API服务器。 这些记录是监视一段时间内鸟类数量的理想选择。

    最终,我们计划在这些记录上使用机器学习来确定给定位置的鸟类种群趋势,并在可能的情况下自动识别鸟类。 在继续致力于AI的同时,我们已经在全国多个地点进行记录,以建立逐年的数据集。

    捕获的音频和热视频记录将上传到我们的API服务器进行存储和处理。 我们的机器学习管道处理热视频记录并标记出现的动物。 所有记录也都转换为易于查看的格式。

    机器学习管道可以自动识别捕食者,这是使我们的方法特别有趣的一个方面。 首先分析上传的热视频录像,以在每帧中寻找温暖的移动物体。 这些区域从每个帧中剪切下来,并通过时间链接在一起,形成我们所谓的“轨道”。

    Steps to identify animals in a thermal image

    在热图像中识别动物的步骤。 裁剪后的图像将被输入到我们的机器学习算法中,该算法会计算动物物种的预测。

    然后使用流行的TensorFlow平台实现的卷积递归神经网络(CRNN)模型对这些轨道进行分类。 该模型使用分为三秒钟的大块人标签轨道进行训练。 输入轨迹被拉伸,翻转和剪切以增加输入数据的种类,并使模型在实际使用中更加健壮。

    在分类时,从轨道分别向模型中的每个帧馈送模型,以在每个时间点生成每种动物类别的分类概率。 该模型的循环结构意味着其当前输出受先前输出的影响。 这使模型能够说明动物随时间移动的方式,从而大大提高了分类精度。 从直觉上讲这是有道理的:人类观察者经常发现很难从单个视频帧中识别出动物,但是看到动物移动几秒钟通常会使该物种消失。

    我们创建了一个网络平台,以便用户可以查看和收听在其设备上制作的录音。 通过该平台,用户还可以在视频中手动标记动物并设置音频回放,以引诱动物更靠近相机。

    我们系统的最后一部分是设备管理工具。 我们的管理服务器使我们能够监视在线设备的正常运行时间,并将新版本的软件和配置推送到我们的设备。

    最后,我们有一个Sidekick,这是一个Android应用程序,可帮助用户设置热像仪。 对于没有移动数据覆盖范围的设备,Sidekick可以无线收集热量记录并在互联网连接可用时稍后上传。

    我们的下一步行动

    借助一个小的团队和最少的管理,我们可以快速进行迭代,发现和改进。 围绕着如此之多的好主意,最艰难的事情之一就是让我们决定下一步该做什么。 我们始终必须在尝试新想法与使我们的技术更可靠,更易于人们使用之间取得平衡。

    当前,我们正在努力调整我们的人工智能(AI)模型以在热像仪硬件上运行,以实现对捕食者的自动分类。 完成此操作后,我们计划将相机与仅在相机识别出目标物种时触发的陷阱配对。 这允许采取更有效的诱捕策略,提高捕食者的捕获率,同时消除非目标动物的副捕获。

    其他即将到来的项目包括我们不断增加的录音集的可视化,应用机器学习来评估录音中的鸟鸣以及新的设备管理功能。 我们也有许多其他的想法可以尝试,不管大小,团队永远不会感到无聊!

    如果您想了解更多信息,请访问Cacophony Project网站。 如果您想捐款,请使用此处列出的联系表格或电子邮件地址。 随着项目的发展如此之快,直接与我们联系通常是确定最有趣,最有用的方式为您提供帮助的最简单方法。


    克莱尔·麦克伦南(Clare Mclennan)和Menno Finlay-Smits将于1月21日至25日在新西兰基督城的linux.conf.au上展示“ 将技术带到鸟类 ”。

    翻译自: https://opensource.com/article/19/1/cacophony-project

    通过机器学习识别鸟类

    展开全文
  • 参考网页: 基础模型训练:https://codelabs.tensorflowers.cn/codelabs/tensorflow-for-poets/index.html#0 转换模型:...安装Python 3.6.2 pyth...

    参考网页:
    基础模型训练:https://codelabs.tensorflowers.cn/codelabs/tensorflow-for-poets/index.html#0
    转换模型:https://codelabs.tensorflowers.cn/codelabs/tensorflow-for-poets-2-tflite/index.html#0

    安装Python 3.6.2

    python 安装包

    
    链接:https://pan.baidu.com/s/1vUtLXiVyMLglJ2PWUojqjw 
    提取码:0zvy 
    
    

    打开CMD,windows+R,输入cmd,回车

    python --version
    pip --version
    virtualenv --version
    /**
    *安装tensorflow
    */
    pip install tensorflow=1.14.0
    
    /**
    *验证安装
    */
    CMD:
     python
     import tensorflow as tf
     tf.__version__
    

    在这里插入图片描述
    在这里插入图片描述

    下载官方存储库tensorflow-for-poets-2

    注:首先需要有git环境
    新建文件夹,右键git bush

    git clone https://github.com/googlecodelabs/tensorflow-for-poets-2
    
    //下载图片资源
    curl http://download.tensorflow.org/example_images/flower_photos.tgz \
        | tar xz -C tf_files
    //列出图片资源目录
    ls tf_files/flower_photos
    

    到此应该显示:
    在这里插入图片描述
    继续在git bush的单签目录输入图片分辨率,用脚本培训

    1.
    IMAGE_SIZE=224
    ARCHITECTURE="mobilenet_0.50_${IMAGE_SIZE}"
    
    2.
    python -m scripts.retrain -h
    
    3.
    python -m scripts.retrain \
      --bottleneck_dir=tf_files/bottlenecks \
      --how_many_training_steps=500 \
      --model_dir=tf_files/models/ \
      --summaries_dir=tf_files/training_summaries/"${ARCHITECTURE}" \
      --output_graph=tf_files/retrained_graph.pb \
      --output_labels=tf_files/retrained_labels.txt \
      --architecture="${ARCHITECTURE}" \
      --image_dir=tf_files/flower_photos
    

    至此如果成功tf_files下会生成retrained_graph.pb和retrained_labels.txt两个文件

    测试:

    1.
    python -m scripts.label_image -h
    
    2.
    python -m scripts.label_image \
        --graph=tf_files/retrained_graph.pb  \
        --image=tf_files/flower_photos/daisy/21652746_cc379e0eea_m.jpg
    

    结果:

    在这里插入图片描述

    安卓所用格式为TFLite,将模型转换为TFLite格式:

     IMAGE_SIZE=224
      toco \
              --graph_def_file=tf_files/retrained_graph.pb \
              --output_file=tf_files/optimized_graph.lite \
              --output_format=TFLITE \
              --input_shape=1,${IMAGE_SIZE},${IMAGE_SIZE},3 \
              --input_array=input \
              --output_array=final_result \
              --inference_type=FLOAT \
              --input_data_type=FLOAT
    

    先在android studio跑tensorflow-for-poets-2-master\android官方demo

    更改ImageClassifier中的文件名,改为自己训练模型生成的文件名
    在这里插入图片描述
    功能基本完成,可以根据自己需求导入源码

    遇到的错误很多,印象最深的是训练模型时
    CRITICAL: tensorflow:Category has no images - validation
    ,出现这个错误原因很多,有人说是标签中的图片太少,也有可能是其他原因

    解决

    修改tensorflow-for-poets-2-master\scripts\retrain.py源码
    在这里插入图片描述

    改为:

     if len(validation_images) ==0:
            validation_images.append(base_name)
          elif percentage_hash < validation_percentage:
            validation_images.append(base_name)
          elif percentage_hash < (testing_percentage + validation_percentage):
            testing_images.append(base_name)
            ````
            ````
            ````
    
    展开全文
  • 引言 "互联网+"已经发展的差不多了,应有尽有,空间不大,下个浪潮会不会是"AI+"?...近两年科技领域有些火热名词常常会被我们津津乐道,诸如"人工智能"、"模式识别"、"机器学习"、"深度学习"等。 还记得2016年Goog
  • 机器学习-----车标识别

    千次阅读 2019-09-17 11:25:19
    什么是车标识别?   在学习 TensorFlow 的过程中,我们在开源社区中找到了一个名为 MobileNet 的模型,该模型能对图像进行分类。Google 发布的 tensorflow-for-poets 项目正好支持这个模型,我们希望能结合 ...
  • 由于垃圾和诈骗短信的识别和分类涉及到自然语言处理技术与机器学习模型, 360使用语言学规则与统计学方法相结合的方式来定义伪基站短信特征,可从海量数据中精确识别出伪基站短信,因而其识别精度可达 98%。...
  • 深度学习是机器学习的一个分支领域:它是从数据中学习表示的一种新方法,强调从连续的层(layer)中进行学习,这些层对应于越来越有意义的表示。“深度学习”中的“深度”指的并不是利用这种方法所获取的更深层次的...
  • 这篇文章将分享机器学习在安全领域的应用,并复现一个基于机器学习(逻辑回归)的恶意请求识别。本文参考学习了大神们的总结,并复现总结相关知识,参考文献见后。基础性入门文章,只希望对初学者有所帮助。
  • 摘要:由于机器学习算法可以挖掘输入特征之间更深层次的联系,更加充分地利用恶意代码的信息,因此基于机器学习的恶意代码检测往往表现出较高的准确率,并且一定程度上可以对未知的恶意代码实现自动化的分析。
  • 机器学习方法是目前用于IDS的突出方法。 传统的ML方法应用于IDS的有很多,如随机森林(RF),支持向量机(SVM), 这些基于ML的传统的实时IDS解决方法并不是很有效,因为模型的输出呈高误报率,
  • 利用OpenMV进行口罩识别检测,利用EDGE IMPULSE建立图像识别模型。
  • 机器学习之分类算法–mnist手写体识别 机器学习之分类算法–mnist手写体识别 一、查准率、查全率、F1-Score、ROC、混淆矩阵 1、查准率和查全率 (1)查准率 查准率(Precision)(精度)是衡量某一检索系统的信号...
  • 机器学习信号处理

    千次阅读 2021-08-19 08:09:31
    使用机器学习处理信号,我以语音信号为例。常见的声学信号特征有: 这些是声学信号中,常见的手工特征。针对特定的信号,会有一些常用的特征。一些通用的方法有:小波分解,信号分解(提取信号不同频率的特质)、...
  • 阿尔法狗采用了蒙特卡洛树搜索算法、机器学习算法和深度神经网络技术。对阿法尔狗进行训练,可以让程序进行深度学习。程序算法也可以用在股票趋势分析上。今天就给大家讲讲如何通过程序,识别k线趋势变化。当然,...
  • 基于机器学习的交通标志检测 基于机器学习的交通标志检测流程图 1.1 预处理 将图片进行尺度归一化。常见尺寸变换方法可以参考最邻近插值、双线性插值和三次插值。最邻近插值速度快,单失真较严重,在尺度变换较大时...
  • 交通标志检测与识别研究 交通路口异常事件检测及识别技术研究 城市道路交通信号区域均衡控制方法及应用研究 城市道路交通网络动态特征分析关键技术研究 基于卷积神经网络的交通密度估计及车辆检测方法研究 ...
  • 机器学习概述

    2021-01-28 11:00:49
    1 机器学习初识 1. 什么是机器学习机器学习其实是用数据回答问题,可理解为使用数据,回答问题。 使用数据是指训练系统,回答问题是指依据训练的系统做出预测与分类。训练是指使用数据了解用户习惯,并不断完善...
  •  所以这就需要我们通过机器机器学习完成特殊物体的库。本次我的检测目标物体是茶杯,所以我在网上收集了大量的图标并进行了标记,然后通过机器训练生产了自己的库,最后完成物体有有效识别。 ...
  • 深度学习角度 该项目是使用版本11.2.9生成的。 开发服务器 为开发服务器运行ng serve 。 导航到http://localhost:4200/ 。 如果您更改任何源文件,该应用程序将自动重新加载。 代码脚手架 运行ng generate component...
  • 这篇文章将介绍基于机器学习的恶意代码检测技术,主要参考郑师兄的视频总结,包括机器学习概述与算法举例、基于机器学习方法的恶意代码检测、机器学习算法在工业界的应用。同时,我再结合自己的经验进行扩充,详细...
  • 1、AI ML DL关系 为了赋予计算机以人类的理解能力与逻辑思维,诞生了人工...机器学习是实现人工智能的途径之一,而深度学习则是机器学习的算法之一。如果把人工智能比喻成人类的大脑,机器学习则是人类通过大量数..
  • 模式识别机器学习“智能化”是当前新技术、新产品、新产业的重要发展方向、开发策略和显著标志,例如:智能控制(Intelligent Control)、智能自动化(Intelligent Automation)、智能管理(Intelligent ...
  • 基于卷积神经网络与集成学习的交通标志识别.pdf
  • 手动整理了1500多个深度学习及机器学习相关算法在实际应用中的项目,完全可以作为本科生当前较新的毕业设计题目选择方向。讲道理有些题目,比如“用户评分的隐式成分信息的研究”这种题目取的就比较广,有点科学研究...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 38,103
精华内容 15,241
关键字:

机器学习识别图标