2301_79809972的博客

*计算机系统的介绍。

此网站已经大致完成了这些功能模块：管理员增添修改衣服的样式库、面料库、细节库、各种订单信息等；用户注册，用户需求进行个性服装定制，添加、删除用户信息，服装搭配及管理，订单查询，管理员联系。此文有以下两点研究结论：（1） 掌握了时下主流的服装定制网站研发方面的先进技术，并在一定程度上对定做个性服装上有所了解。（3）对中国规模比较大的定制个性服装网站的系统组织架构和相关技术有了进一步的了解，使自己对服装定制网站的系统性能方面的认知程度有所加深。

*计算机系统的介绍。

基于瑜伽动作识别的图像任务，提出了一种基于Mask RCNN 的瑜伽动作识别方法。网络基于区域卷积网络的框架与结构，通过特征提取对图像提出一定数量的候选区域并对其进行分类，然后将这些区域作为检测到的边界框输出，榆次同时使用分割分支做掩膜预测。该模型使用改进深度残差网络作为特征提取主干网络，使用 ROIAlign 对提取到的候选区域进行处理选择，之后进行目标分类与检测，此处并行增加分割分支对图像分割。模型改进了分割分支中的卷积部分，用深度可分离卷积替换原来的标准卷积，提高网络效率。实验构建多边形标注的数据集，

根据现实需要，此系统我们设计出一下功能，主要有以下功能模板。1.前台功能：主页、电影院信息、电影新闻娱乐。2.管理员功能：电影管理、订单管理、用户管理、轮播图管理、评论管理、影片分类管理、账户管理、新闻资讯管理。在系统的功能设计方面，电影用户分析预测系统的设计目标是便于用户可以更方便观影，因此抽取了满足管理员、用户基本业务需求的基本用例，如图3.1、3.2所示。图3.1 管理员功能用例图图3.2 用户功能用例图。

根据现实需要，此系统我们设计出一下功能，主要有以下功能模板。1.前台功能：主页、电影院信息、电影新闻娱乐。2.管理员功能：电影管理、订单管理、用户管理、轮播图管理、评论管理、影片分类管理、账户管理、新闻资讯管理。在系统的功能设计方面，电影用户分析预测系统的设计目标是便于用户可以更方便观影，因此抽取了满足管理员、用户基本业务需求的基本用例，如图3.1、3.2所示。图3.1 管理员功能用例图图3.2 用户功能用例图。

*计算机系统的介绍。

垃圾分类是近段时间来，全国范围内的热点问题，它是需要落实到我们每一个人身上来。但是由于范围太广且是最近才开展的工作，所以还是有“混合垃圾”出现。人工智能机器学习也是今年来快速发展的技术，那么利用TensorFlow去简单进行垃圾分类其实也是非常不错的选择。本文就使用TensorFlow中比较常见且使用非常广泛的卷积神经网络来实现智能垃圾分类的目标，卷积神经网络是现今图像分类的比较好的解决方案。TensorFlow扎根于Python中，并且还是跨平台的，兼容性方面自然不必多讲，主要是其整个的生态是十分健全的，

垃圾分类的解决方案当中，以TensorFlow做的垃圾分类系统算是耗人力物力时间较少的一类，以卷积神经网络的方式训练出可以识别与分类垃圾的模型，对其进行识别分类。系统设计方案实现的比较简单，而且也是有实际的作用的。  目前垃圾分类的各个地区来讲，以我所在的广州市来说，很多居民社区当中的分类垃圾桶，只是起到了多了两个垃圾桶的作用，居民大多还是不会将其分类好，当然可以肯定的是，这是垃圾分类的意识与知识的不足，有人想分，但不会，还要学习。忙碌的都市生活人群大多不愿意发上这点时间去学习分类知识

目前实现的主要功能是在本地进行垃圾分类识别，再将垃圾投放到对应的桶中，在Jetson Nano板上识别垃圾仅需0.4S，这个速度对于使用远程网络识别的方式来说快了很多倍。

激活函数是在人工神经网络中运行在神经元上并将神经元的输入端映射到输出端的函数。引入激活函数的目的是为了增加神经网络模型的非线性，如果没有激活函数，每个神经元层都是来自上层输入的线性函数，无论神经网络有多少层，输出都将是输入的线性组合，神经网络也就失去了仿真的意义。通过加入激活函数，神经元可以逼近任何非线性函数，由此神经网络才能够应用于许多非线性模型。

本论文进行了基于深度学习的苹果树叶片图像识别的研究，在当下经济全球化的背景下，世界各国经济竞争愈演愈烈，每一种进出口的贸易都会是一场另类的“战争”。而苹果特别是优质苹果的产量的产出的效率，以及经济成本显得尤为重要，这其中最大因素就是病害的处理问题，传统的病害处理，面临着高成本，高人力的问题，对于广大的果农来说是不小得经济负担，所以通过深度学习中的卷积神经网络来解决此问题就有着很大的可行性。

行为识别是指计算机从包含人的视频或图片序列中提取人体行为特征，对人的行为进行理解和分类，是计算机视觉领域中应用广泛的方向。随着社会对实现人工智能的日趋迫切，机器学习成为必经的途径，而深度学习作为其代表方向被普遍学习应用。本文基于Tensorflow使用CNN来实现识别，数据来源WISDM实验室。本文主要以基于卷积网络的行为识别这一论题为中心进行研究与介绍，主要结论如下：（1）阐述了基本ANN的相关理论知识，CNN是其派生物，要掌握CNN就得先了解ANN。

YOLO是继R-CNN、Fast R-CNN、Faster R-CNN之后，rbg（RossGirshick）针对DL目标进行检测其速度问题时产生的另外一种框架，而YOLO算法的核心也就是利用整张图来进行输入，网络中直接接受到整张图，从而对整张图共同计算，核心思想也就是通过直接计算，直接在回归层bounding box的位置输出和bounding box所属的类别。