Supplyframe Supplyframe XQ Datasheet5 芯耀 Findchips 与非AI
关注我们
设计助手
电子硬件助手 电子硬件助手
元器件查询 元器件查询

加入星计划，您可以享受以下权益：

  • 创作内容快速变现
  • 行业影响力扩散
  • 作品版权保护
  • 300W+ 专业用户
  • 1.5W+ 优质创作者
  • 5000+ 长期合作伙伴
立即加入

图像识别

加入交流群
扫码加入
获取工程师必备礼包
参与热点资讯讨论

图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域。图像的传统识别流程分为四个步骤：图像采集→图像预处理→特征提取→图像识别。图像识别软件国外代表的有康耐视等，国内代表的有图智能、海深科技等。另外在地理学中指将遥感图像进行分类的技术。

图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域。图像的传统识别流程分为四个步骤：图像采集→图像预处理→特征提取→图像识别。图像识别软件国外代表的有康耐视等，国内代表的有图智能、海深科技等。另外在地理学中指将遥感图像进行分类的技术。收起

查看更多
类型
新鲜 热门

电路方案

查看更多

设计资料

查看更多

文章

查看更多
  • 深度学习实战-基于MobileNetV2的羊驼图像分类识别模型
    本实验基于 Kaggle 提供的轻量化羊驼图像数据集，针对其样本规模较小的特性，成功应用了迁移学习技术构建了高效的分类系统。实验利用 MobileNetV2 在大规模视觉任务中积累的特征提取能力，通过对“羊驼”与“非羊驼”（包含高度相似干扰项）样本的深度学习，实现了从通用视觉逻辑到特定物种特征的快速转化。
    353
    06/12 09:25
    深度学习 图像识别
    深度学习实战-基于MobileNetV2的羊驼图像分类识别模型
  • 深度学习实战-基于EfficientNet的黑色素瘤癌症图像分类识别模型
    该项目旨在开发一款基于EfficientNetV2S模型的自动化辅助诊断工具，用于识别黑色素瘤。使用Kaggle提供的13,900张皮肤病灶图像数据集，通过高效的深度学习模型实现高精度的恶性样本召回率。实验结果显示，在训练集上AUC达0.9976，准确率为0.9793；在验证集上，val_AUC为0.9790，验证准确率为0.9225。模型在恶性病变识别上表现出色，召回率达到0.97，显著降低漏诊风险，为黑色素瘤的早期精准干预提供了技术支持。
    520
    05/20 11:28
    深度学习 图像识别
    深度学习实战-基于EfficientNet的黑色素瘤癌症图像分类识别模型
  • 深度学习实战-基于MobileNetV2的肺癌图像分类识别模型
    本项目利用MobileNetV2架构构建自动化病理影像分类识别模型，解决传统人工阅片面临的高工作强度和主观误差问题。通过深度学习技术，模型在肺部腺癌、鳞癌及结肠腺癌等病理切片上展现出高精度和轻量化的特性。实验依托Kaggle数据集，采用数据增强、迁移学习和特征工程策略，有效提升了模型对复杂细胞纹理的敏感度和分类准确性。最终，模型在5,000张独立测试样本上取得98.48%的综合准确率和接近100%的良性组织识别精度，证明了轻量化深度学习架构在病理影像数字化辅助诊断中的巨大潜力。
    474
    05/18 15:15
    深度学习 图像识别
  • 深度学习实战-基于MobileNetV3的眼部疾病图像分类识别模型
    该项目旨在利用深度学习中的计算机视觉技术，构建一套基于轻量化架构MobileNetV3的全自动眼疾识别流水线。通过高质量临床眼底图像数据集和医疗专家标注，模型实现了超过86%的临床初筛准确率，为偏远地区提供了数字化辅助诊断范式。
    504
    05/11 11:03
    深度学习 计算机视觉
    深度学习实战-基于MobileNetV3的眼部疾病图像分类识别模型
  • 深度学习实战-基于卷积神经网络CNN的水果图像分类识别模型
    该项目基于深度学习技术，利用卷积神经网络（CNN）构建水果图像分类模型，实现了对不同水果类别的自动识别。通过数据集导入、数据可视化、特征工程、模型构建与训练等多个步骤，完成了模型的训练与评估。实验结果显示，模型在验证集上达到了高精度（0.9851）和低损失（0.0512），且在多数类别上表现出优异的分类性能，具备良好的实际应用潜力。
    633
    04/14 10:11
    深度学习 图像识别

课程

查看更多
热门企业 换一换
相关标签