NB网络支持的增强覆盖和极端覆盖的信道环境很差,普遍噪声高,物理层难以精确确认所有终端发起的preamle,所以Phy也会检测一部分SINR较差的preamble上报, 这些低SINR的preambl
imagenet_models, py-faster-rcnn训练使用,作为初始化模型
安装之前,系统中必须要有cc或者gcc等编译器,并且是可用的,或者用环境变量CC指定系统上的编译器。如果系统上没有编译器,不能安装源代码形式的GCC 4.1.2。如果是这种情况,可以在网上找一个与你系
yoloV4网络下的COCO数据集预训练权重文件,正确率很高,可以作为迁移学习的先导权重文件,可以省去很多的训练事件。
facenet 模型用于体态识别技术,识别人体的姿势和动做,可以识别多个人的动作和姿势 ,使用的数据集是面部识别
handnet 模型用于体态识别技术,识别人体的姿势和动做,可以识别多个人的动作和姿势 ,使用的数据集是coco手势识别
basnet训练好的参数保存。深度学习在计算机视觉中的应用。用于自动抠图,SOD问题解决。模型来自github。这只是训练好的参数
PointRCNN权重,PointRCNN主要用于处理三维点云进行目标识别(CVPR2019)。算法地址:https://github.com/sshaoshuai/PointRCNN
o p e n p o s e 模型用于体态识别技术,识别人体的姿势和动做,可以识别多个人的动作和姿势 ,使用的数据集是coco
pytorch darknet53 backbone的yolov3 This project is inspired by Stronger-Yolo. I reimplemented with Py
