tensorflow

DCT-Net人像卡通化模型-素描风 论文 ｜ 项目主页 输入一张人物图像，实现端到端全图卡通化转换，生成素描风格虚拟形象，返回风格化后的结果图像。 其生成效果如下所示： >>返回卡通化系列模型专题

帮机器人自动识别果实 关键技术：python，C++, opencv, pytorch, YoloV5, scikit-learn 1. 用机器人内置的镜头拍下果树 2. 用YoloV5自动识别果实位置，并把结果传给机器人 3. 自动摘下果实（当时识别的是梨子） 4. 处理速度为0.02秒/张

本项目旨在识别20种手势，以控制电脑和手机。所识别的手势包括：中文数字手势1至10、OK手势、C型手势、手掌手势、手掌打开/关闭、以及摇滚手势（向上/向下/向右/向左）。每个手势在识别之前都会被指定对应的电脑或手机动作。通过这一系统，我们将实现仅凭摄像头即可自动控制电脑和手机的功能。 1. 用电脑/手机的摄像头实时监控手势 2. 用YoloV5模型自动识别手势 3. 按照识别结果控制电脑/手机 4. 图像处理速度为0.03s/frame

一、面向对象与问题解决 本方案面向国内高校国际学生事务管理人员，尤其是负责舆情监测和跨文化事务处理的职能人员。近年来，国际学生在中国高校中的占比持续上升，其多元文化背景、语言障碍和信息获取偏差导致网络舆情事件频发，若处理不当，极易引发舆论危机甚至国际政治风险。 本系统通过融合文本、图像等多模态数据，建立实时、精准的国际学生舆情监测与预警机制，有效帮助高校在第一时间识别敏感情绪和风险话题，提升管理响应效率，维护校园和谐稳定，助力高校国际化办学的稳健发展。 二、市场对比优势（50%） 与市场上传统舆情监测系统（以文本情感分析为主）相比，本方案具备以下显著优势： 1、多模态输入支持：不仅处理文本，还融合图像、视频等模态，全面感知社交媒体上国际学生的真实情绪和观点表达。 2、先进模型架构：集成了CMA（跨模态注意力模型）和CRA（上下文融合模型），相较GLFN、MGNNS等已有方法，情感识别精度提升近6%，具备更强的特征表达与融合能力。 3、深度定制化：系统针对高校场景量身定制，包括关键词自动预警、学生群体画像分析、热点事件聚类和趋势总结等，适配

DCT-Net人像卡通化模型-艺术风 论文 ｜ 项目主页 输入一张人物图像，实现端到端全图卡通化转换，生成艺术风格虚拟形象，返回风格化后的结果图像。 其生成效果如下所示： >>返回卡通化系列模型专题

基于连续语义增强的神经机器翻译模型介绍 本模型基于邻域最小风险优化策略，backbone选用先进的transformer-large模型，编码器和解码器深度分别为24和3，相关论文已发表于ACL 20

>>返回卡通化系列模型专题页 DCT-Net人像卡通化-扩散模型-插画风 论文 ｜ 项目主页 输入一张人物图像，实现端到端全图卡通化转换，生成插画风格虚拟形象，返回风格化后的结果图像。 其生成效果如下

通用抠图介绍 通用抠图对输入图像中的主体进行抠图处理，支持商品、人物、动物、植物、汽车等等，无需任何额外输入，实现端到端通用万物抠图，输出四通道抠图结果，如下图所示： 抠图系列模型

>>返回卡通化系列模型专题页 DCT-Net人像卡通化-扩散模型-漫画风 论文 ｜ 项目主页 输入一张人物图像，实现端到端全图卡通化转换，生成漫画风格虚拟形象，返回风格化后的结果图像。 其生成效果如下

与市场上的常规医疗小程序相比，本方案具有以下独特优势： 用户体验优化：采用用户友好的界面设计和交互流程，确保患者和医生都能快速上手使用。 数据安全保障：利用先进的数据加密技术和安全协议，确保用户数据和医疗信息的安全。 智能服务集成：集成人工智能技术，如智能导诊、健康咨询等，提供更加智能化的医疗服务。 多平台兼容：支持微信、支付宝等多个小程序平台，覆盖更广泛的用户群体。

风格迁移介绍 给定内容图像和风格图像作为输入，风格迁移模型会自动地将内容图像的风格、纹理特征变换为风格图像的类型，同时保证图像的内容特征不变 项目主页 模型描述 本模型将视觉注意力与图像风格迁移任务

读光文字检测 News 2023年10月： 新增DBNet通用场景模型和轻量化端侧模型转onnx和onnx推理功能 2023年6月： 新增轻量化端侧行检测模型和行识别模型 2023年3月： 新增DB

DCT-Net人像卡通化模型 论文 ｜ 项目主页 输入一张人物图像，实现端到端全图卡通化转换，生成二次元虚拟形象，返回卡通化后的结果图像。 其生成效果如下所示： 本仓库提供DCT-Net日漫风转换模

人像抠图介绍 人像抠图对输入含有人像的图像进行处理，无需任何额外输入，实现端到端人像抠图，输出四通道人像抠图结果，如下图所示： 抠图系列模型 图像人像抠图 通用抠图(支持商

DCT-Net人像卡通化模型-手绘风 论文 ｜ 项目主页 输入一张人物图像，实现端到端全图卡通化转换，生成手绘风格虚拟形象，返回风格化后的结果图像。 其生成效果如下所示： >>返回卡通化系列模型专题

基于连续语义增强的神经机器翻译模型介绍 本模型基于邻域最小风险优化策略，backbone选用先进的transformer-large模型，编码器和解码器深度分别为24和6，相关论文已发表于ACL 20

DCT-Net人像卡通化模型-3D 论文 ｜ 项目主页 输入一张人物图像，实现端到端全图卡通化转换，生成3D风格虚拟形象，返回风格化后的结果图像。 其生成效果如下所示： >>返回卡通化系列模型专题页

本产品面向喜爱棋牌类游戏的玩家 相对于传统的棋盘图色识别，本方案使用YOLO的AI图像识别，可以识别桌面上任意窗口的棋盘状态。 后端的AI行为引擎使用深度残差神经网络和蒙特卡洛树搜索结合，实现复杂决策的行为输出。

1.系统面向企业网络。 2.系统可以对网络集中监控管理，通过智能调度策略优化网络，并提供安全防护。 3.系统采用SDN架构为基础构建，利用Python实现智能调度与防护策略，利用Vue3完成可视化监控管理，MySQL存放系统各方面数据。

基于连续语义增强的神经机器翻译模型介绍 本模型基于邻域最小风险优化策略，backbone选用先进的transformer-large模型，编码器和解码器深度分别为24和6，相关论文已发表于ACL 20