PaddleGAN——飞桨生成对抗网络开发套件 Paddle GAN库，包括许多有趣的应用程序，例如DeepFake First-Order运动传递，Mai-ha-hi（蚂蚁呀嘿），facesap wav2lip，图片修复，图像编辑，photo2cartoon，图像样式传递等。 介绍 飞桨生成对抗网络开发套件--PaddleGAN，为开发者提供经典及前沿的生成对抗网络高性能实现，并支撑开发者快速构建、训练及部署生成对抗网络，以供学术、娱乐及产业应用。 GAN--生成对抗网络，被“卷积网络之父”Yann LeCun（杨立昆）誉为「过去十年计算机科学领域最有趣的想法之一」，是近年来火遍全网，AI研究者最为关注的深度学习技术方向之一。 快速开始 请确保您按照安装文档的说明正确安装了PaddlePaddle和PaddleGAN 通过ppgan.apps接口直接使用应用: 更多应用的使用请参考ppgan.apps API 更多训练、评估教程: 数据准备 训练/评估/推理教程 经典模型实现 Pixel2Pixel CycleGAN PSGAN First Order Motion Model: 「蚂蚁呀嘿 」 换脸视频核心技术 FaceParsing AnimeGANv2 U-GAT-IT Photo2Cartoon Wav2Lip Super_Resolution StyleGAN2 复合应用 视频修复 在线教程 可以通过人工智能学习与实训社区AI Studio 的示例工程在线体验PaddleGAN的部分能力: 在线教程 链接 表情动作迁移-一键实现多人版「蚂蚁呀嘿」 点击体验 表情动作迁移-全网爆火的「蚂蚁呀嘿」实现 点击体验 老北京视频修复 点击体验 表情动作迁移-当苏大强唱起unravel 点击体验 效果展示 蚂蚁呀嘿 图片变换 老视频修复 动作迁移 超分辨率 妆容迁移 人物动漫化 写实人像卡通化 照片动漫化 唇形同步 版本更新 v0.1.0 (2020.11.02) 初版发布，支持Pixel2Pixel、CycleGAN、PSGAN模型，支持视频插针、超分、老照片/视频上色、视频动作生成等应用。 模块化设计，接口简单易用。 来源：https://github.com/PaddlePaddle/PaddleGAN

基于OpenCV的视频人脸识别 介绍 本项目基于OpenCV使用Haar级联与dlib库进行人脸检测及实时跟踪，应用LBPH算法开发了一个功能相对完整的人脸识别系统。系统采用sqlite3进行序列化数据存储，能够对陌生人脸闯入进行报警，并拥有基于PyQt5设计的GUI实现。 系统管理 核心框架 人脸采集 数据管理 如何运行？ 以下操作基于Anaconda3环境，并在Windows10 x64上测试。 环境配置 numpy==1.14.2 PyQt5==5.9.2 PySocks==1.6.8 python-telegram-bot==10.0.1 克隆代码 创建Python虚拟环境 安装OpenCV 安装dlib 安装其它依赖包 运行核心框架 运行人脸采集系统 运行数据管理系统 更新 退出虚拟环境 来源https://github.com/winterssy/face_recognition_py

蹲一位好心人~

本文件是用solidworks设计keyshot渲染的工业钻孔机器人。

MASR 中文语音识别 MASR是一个基于端到端的深度神经网络的中文普通话语音识别项目。 原理 MASR使用的是门控卷积神经网络（Gated Convolutional Network），网络结构类似于Facebook在2016年提出的Wav2letter。但是使用的激活函数不是ReLU或者是HardTanh，而是GLU（门控线性单元）。因此称作门控卷积网络。根据我的实验，使用GLU的收敛速度比HardTanh要快。如果你想要研究卷积网络用于语音识别的效果，这个项目可以作为一个参考。 以下用字错误率CER来衡量模型的表现，CER = 编辑距离 / 句子长度，越低越好* 大致可以理解为 1 - CER 就是识别准确率。 模型使用AISHELL-1数据集训练，共150小时的录音，覆盖了4000多个汉字。工业界使用的语音识别系统通常使用至少10倍于本项目的录音数据来训练，同时使用特定场景的语料来训练语言模型，所以，不要期待本项目可以和工业界的识别效果媲美。这对于Github上任何个人项目来说都不现实，除非有更先进的技术诞生。 什么叫特定场景的语料训练的语言模型？比如你使用游戏中的语音识别，它更倾向于将你的话识别成你在玩游戏时可能说的话，比如「貂蝉被蓝打死了」。而在其他场景下，「貂蝉被蓝打死了」根本就不是一句通顺的话。不信你和一个只读过三国演义没玩过王者荣耀的人说「貂蝉被蓝打死了」，你确定ta不会反问你：「啥？貂蝉被谁打死了？lan是谁？」 在单卡GTX 1080Ti上，模型每迭代一个epoch大约需要20分钟。（实验室的CUDA版本较低，不排除更新CUDA版本后会快一些的可能。） 上图为验证集的CER随epoch的训练曲线。可以看到，目前验证集CER已经下降到11%。 图中没有显示测试集的表现。测试集的CER稍高一些，在14%。 通过外接语言模型可以将测试集的CER降低到8%。 项目目前提供的预训练模型训练了大约是100个epoch时候的，已经接近最好了。 训练MASR模型 MASR基于pytorch，MASRModel是torch.nn.Module的子类。这将给熟悉pytorch的用户带来极大的方便。 使用MASR的训练功能需要安装以下额外的依赖，既然你浏览到了这里，这些依赖你一定能自行搞定！ levenshtein-python 计算CER中的编辑距离 warpctc_pytorch 百度的高性能CTC正反向传播实现的pytorch接口 tqdm 进度显示 tensorboardX 为pytorch提供tensorboard支持 tensorboard 实时查看训练曲线 当然，相信你也有GPU，否则训练将会变得很慢。 通常，神经网络的训练比搭建要困难得多，然而MASR为你搞定了所有复杂的东西，使用MASR进行训练非常方便。 如果你只想要使用MASR内置的门卷积网络GatedConv的话，首先初始化一个GatedConv对象。 你需要传入向它vocabulary，这是一个字符串，包含你的数据集中所有的汉字。但是注意，vocabulary[0]应该被设置成一个无效字符，用于表示CTC中的空标记。 之后，使用to_train方法将model转化成一个可以训练的对象。 此时model则变成可训练的了，使用fit方法来进行训练。 epoch表示你想要训练几次，而train.index和dev.index应该分别为训练数据集和开发数据集（验证集或测试集）的索引文件。 索引文件应具有如下的简单格式： 左边是音频文件路径，右边是对应的标注，用逗号（英文逗号）分隔。 model.fit方法还包含学习率、batch size、梯度裁剪等等参数，可以根据需要调整，建议使用默认参数。 完整的训练流程参见train.py。 来源https://github.com/nobody132/masr

人脸表情识别 简介 使用卷积神经网络构建整个系统，在尝试了Gabor、LBP等传统人脸特征提取方式基础上，深度模型效果显著。在FER2013、JAFFE和CK+三个表情识别数据集上进行模型评估。 环境部署 基于Python3和Keras2（TensorFlow后端），具体依赖安装如下(推荐使用conda虚拟环境)。 如果你是Linux用户，直接执行根目录下的env.sh即可一键配置环境，执行命令为bash env.sh。 数据准备 数据集和预训练模型均已经上传到百度网盘，链接给出，提取密码为2pmd。下载后将model.zip移动到根目录下的models文件夹下并解压得到一个*.h5的模型参数文件，将data.zip移动到根目录下的dataset文件夹下并解压得到包含多个数据集压缩文件，均解压即可得到包含图像的数据集（其中rar后缀的为原始jaffe数据集，这里建议使用我处理好的）。 项目说明 传统方法 数据预处理 图片降噪 人脸检测（HAAR分类器检测（opencv）） 特征工程 人脸特征提取 LBP Gabor 分类器 SVM 深度方法 人脸检测 HAAR分类器 MTCNN（效果更好） 卷积神经网络 用于特征提取+分类 网络设计 使用经典的卷积神经网络，模型的构建主要参考2018年CVPR几篇论文以及谷歌的Going Deeper设计如下网络结构，输入层后加入(1,1)卷积层增加非线性表示且模型层次较浅，参数较少（大量参数集中在全连接层）。 模型训练 主要在FER2013、JAFFE、CK+上进行训练，JAFFE给出的是半身图因此做了人脸检测。最后在FER2013上Pub Test和Pri Test均达到67%左右准确率（该数据集爬虫采集存在标签错误、水印、动画图片等问题），JAFFE和CK+5折交叉验证均达到99%左右准确率（这两个数据集为实验室采集，较为准确标准）。 执行下面的命令将在指定的数据集（fer2013或jaffe或ck+）上按照指定的batch_size训练指定的轮次。训练会生成对应的可视化训练过程，下图为在三个数据集上训练过程的共同绘图。 模型应用 与传统方法相比，卷积神经网络表现更好，使用该模型构建识别系统，提供GUI界面和摄像头实时检测（摄像必须保证补光足够）。预测时对一张图片进行水平翻转、偏转15度、平移等增广得到多个概率分布，将这些概率分布加权求和得到最后的概率分布，此时概率最大的作为标签（也就是使用了推理数据增强）。 GUI界面 注意，GUI界面预测只显示最可能是人脸的那个脸表情，但是对所有检测到的人脸都会框定预测结果并在图片上标记，标记后的图片在output目录下。 执行下面的命令即可打开GUI程序，该程序依赖PyQT设计，在一个测试图片（来源于网络）上进行测试效果如下图。 上图的GUI反馈的同时，会对图片上每个人脸进行检测并表情识别，处理后如下图。 实时检测 实时检测基于Opencv进行设计，旨在用摄像头对实时视频流进行预测，同时考虑到有些人的反馈，当没有摄像头想通过视频进行测试则修改命令行参数即可。 使用下面的命令会打开摄像头进行实时检测（ESC键退出），若要指定视频进行进行检测，则使用下面的第二个命令。 来源https://github.com/luanshiyinyang/FacialExpressionRecognition

本文主要是实现了根据人脸识别性别的卷积神经网络,并对卷积过程中的提取特征进行了可视化. 卷积神经网络 卷积神经网络最早是为了解决图像识别的问题,现在也用在时间序列数据和文本数据处理当中,卷积神经网络对于数据特征的提取不用额外进行,在对网络的训练的过程当中,网络会自动提取主要的特征. 卷积神经网络直接用原始图像的全部像素作为输入,但是内部为非全连接结构.因为图像数据在空间上是有组织结构的,每一个像素在空间上和周围的像素是有关系的,和相距很远的像素基本上是没什么联系的,每个神经元只需要接受局部的像素作为输入,再将局部信息汇总就能得到全局信息. 权值共享和池化两个操作使网络模型的参数大幅的减少,提高了模型的训练效率. 卷积神经网络主要特点 权值共享: 在卷积层中可以有多个卷积核,每个卷积核与原始图像进行卷积运算后会映射出一个新的2D图像,新图像的每个像素都来自同一个卷积核.这就是权值共享. 池化: 降采样,对卷积(滤波)后,经过激活函数处理后的图像,保留像素块中灰度值最高的像素点(保留最主要的特征),比如进行 2X2的最大池化,把一个2x2的像素块降为1x1的像素块。 卷积网络的训练数据（112×92×3图形） 从data目录读取数据，famale存放女性图片，male存放男性图片 重新打乱 训练集与测试集比例 8：2 训练参数 网络结构 辅助函数 Padding 训练 第一层卷积+池化 第二层卷积+池化 第三层卷积+池化 全连接第一层 全连接第二层 全连接输出层 损失函数 计算准确率&损失 启动会话开始训练 测试集验证 验证通过，保存模型 使用已训练好的模型参考：gender_model_use.py 结果: 迭代3000次，模型的准确率达到93% 训练交叉熵代价 训练的准确率 训练数据中的一个样本 第一层卷积提取的特征 2x2池化后特征 第二层卷积提取的特征 2x2池化后特征 第三层卷积提取的特征 2x2池化后特征 来源https://github.com/chenlinzhong/gender-recognition

文件目录 app.py是整个系统的主入口 templates文件夹是HTML的页面 |-index.html 欢迎界面 |-search.html 搜索人物关系页面 |-all_relation.html 所有人物关系页面 |-KGQA.html 人物关系问答页面 static文件夹存放css和js，是页面的样式和效果的文件 raw_data文件夹是存在数据处理后的三元组文件 neo_db文件夹是知识图谱构建模块 |-config.py 配置参数 |-create_graph.py 创建知识图谱，图数据库的建立 |-query_graph.py 知识图谱的查询 KGQA文件夹是问答系统模块 |-ltp.py 分词、词性标注、命名实体识别 spider文件夹是爬虫模块 |- get_*.py 是之前爬取人物资料的代码，已经产生好images和json 可以不用再执行 |-show_profile.py 是调用人物资料和图谱展示在前端的代码 部署步骤： 0.安装所需的库 执行pip install -r requirement.txt 1.先下载好neo4j图数据库，并配好环境（注意neo4j需要jdk8）。修改neo_db目录下的配置文件config.py,设置图数据库的账号和密码。 2.切换到neo_db目录下，执行python create_graph.py 建立知识图谱 3.https://pyltp.readthedocs.io/zh_CN/latest/api.html#id2） 下载好ltp模型。 4.在KGQA目录下，修改ltp.py里的ltp模型文件的存放目录 5.运行python app.py,浏览器打开localhost:5000即可查看 系统流程图 系统展示 转载自：https://github.com/chizhu/KGQA_HLM

研究目的 有序的像素组成了人们所看到的各种各样的图片。图像置乱算法的核心就是将原图像的像素搅乱，使得图像表达的意义失效，从而达到保护图像信息安全的目的。 研究方法 “基于排序变换和混沌Logistic映射的图像置乱算法”是众多图像置乱算法中的一种。该算法首先利用混沌Logistic映射产生混沌序列，然后通过混沌序列的排序变换来得到图像置换的地址码，最后根据地址码完成图像置乱。 本文主要介绍通过对“基于排序变换和混沌Logistic映射的图像置乱算法”的分析与研究，将原算法中混沌序列排序、生成地址映射数组两个串行执行的算法步骤，改进为混沌序列排序过程中同步生成地址映射数组，使这两个步骤并行执行，从而提高算法效率。并且使用Java语言实现优化后的算法，结合目前市面上较为流行的Android系统，开发出一个图像置乱的安卓软件。 研究结论 APP名称与图标 运行界面 访问用户相册 展示用户选择图片 密钥输入 密钥范围提示 输入密钥点击置乱 置乱后的图片 输入密钥点击解密 解密后的图片 点击噪声 解密后的图片 目录 摘 要 I ABSTRACT II 1 绪论 1 1.1 研究背景及意义 1 1.2 国内外研究现状 1 1.3 选题依据及研究内容 2 2 图像置乱 4 2.1图像置乱算法的由来 4 2.2基于像素位置变换的图像置乱算法 5 2.3常见的基于像素位置变换的图像置乱算法 5 2.3.1基于Arnold变换的图像置乱 5 2.3.2基于幻方变换的图像置乱 6 2.3.3基于Hilbert变换的图像置乱 8 2.3.4基于排序变换和混沌Logistic映射的图像置乱 9 3 基于排序变换和混沌Logistic映射的图像置乱算法的分析与优化 10 3.1算法思路 10 3.2算法复杂度分析 10 3.3算法优化 12 4 Java实现优化后的算法 15 4.1算法辅助类实现 15 4.2算法类实现 15 4.2.1生成混沌实值序列 16 4.2.2生成混沌序列的值与下标反向映射 17 4.2.3混沌序列排序同时生成置乱地址集合 17 4.2.4单行（列）置乱（解密） 18 4.2.5多行（列）置乱（解密） 20 4.2.6图像置乱（解密） 20 5 Android实现图像置乱软件 21 5.1 Android体系结构 21 5.2软件设计 22 5.2.1系统结构设计 23 5.2.2功能设计 23 5.3软件实现 24 5.3.1开发环境 24 5.3.2程序结构 24 5.3.3主要代码 25 5.4软件演示 28 6 工作总结与展望 32 6.1工作总结 32 6.2展望 33 参考文献 34 致 谢 35 转载自：https://github.com/goldsudo/PicEncryptApp

一、项目简介 8层综合办公楼BIM项目模型Revit建筑结构暖通电气给排水。建成后极大改善该地区1622户群众的居住条件，提高生活质量，形成城市高尚居住区。 二、应用目的 运用BIM技术减少在施工过程中的造成的浪费:对施工的进度和成本进行综合把控，提， 高项目效益。将劳务实名制精细化管理技术与BIM技术结合;并开拓BIM技术在高层居生筑项目中的推广应用。 三、bim应用亮点 项目主要采用Autodesk Revit进行建模，采用Autodesk Naviworks进行模型整合和碰撞检查，同时运用Sketchup、3Dmax等软件进行辅助建模。结合项目自主研发的精细化管理系统，将BIM技术和劳务实名制、成本控制、过程管理等相结合，对施工整个过程进行综合把控。 施工应用 1.施工总平面布置 施工总平面布图规划，塔吊、材料堆场、施工道路等进行提前策划，提前对阶段性施工进行横拟，最优化布方案，减少二次布产生的浪费。 2.施工进度模拟将进度计划和BIM模型关联，生成进度模拟动面。并对计划进度和实际进度进行对比，及时制定纠偏措施。 3.管线综合深化设计 优化管线综合布局，增加净空，合理设计施工先后顺序。 4.进度计划管理 将Project 进度计划导入Navisworks的Timeliner，关联模型形成甘特图，同时计划进度和实际进度进行对比，方便对施工进度进行管理。 安全管理应用 1.安全交底 对周边管线进行模拟，调整锚索方案，并对工人进行安全技术交底。 2.安全防护规划 对施工现场洞口、楼梯、外架等，提前完善安全防护方案。 3.基坑支护方案 横拟基坑支护和土方开挖方案，辅助专项施工方案专家论证。 4.人员安全管理 通过精细化管理系统，可统计在场人员，确保非工作时间人员滞留在现场。 成本质量管理应用 1.成本管理 Revit模型通过GFC插件导入广联达算软件，进行图形算和钢筋算，Revit模型也可快速导出门窗等工程量。 2.质量管理 Navisworks的链接功能可将照片等信息与模型关联，再结合项目自主研发的精细化理系统，做到对项目的综合把控。

项目概况 某学校拟在新技术开发区建设一新校区，本项目总体设计遵循“生态、现代、经济”的原则进行。 建筑要求 建设地位于临海某市经济技术开发区，新校区，建设规划用地，东西宽约2000米，南北约1500米。建设规模≥10栋 总体设计要求 本项目总体设计遵循“生态、现代、经济”的原则进行，为建设一个性鲜明，内容综合的新校区，本设计特提出一下设计理念：本项目的建成需将校园氛围，同学精神面貌有机的结合起来。 体现经济开发区高科技工业文明的先进性与时代感——在设计中充分挖掘和表现经济技术开发区的先进性，敢于走新路、创造新形象，尽可能代表中国当前最先进的科研、生产管理水平。 总图规划紧密结合当地的发展战略——依据开发区发展战略，合理确定项目的总体规模和建设内容，坚持整体规划，分步实施的方针。 本设计中的交通流线组织顺畅、脉络清晰、各流线之间没有干扰性交叉，又联系紧密，增加效率，保证正常使用秩序。也要便于人性化管理。 充分考虑灵活性与可持续发展的要求，提供有弹性的解决方案——充分使用规划条件，合理确定建筑的层数、高度、占地面积等指标，有益的对该地区现有建筑加以改造，实现现有资源再利用，充分考虑使用的灵活性和经济性，在保证学生们正常使用的同时给予他们最美的校园时光。

项目概况 本项目总体设计遵循“生态、现代、经济”的原则进行，建设为一栋内附时尚，外具特色的音乐剧场和传媒大厦。 建筑要求 建设地位于内陆某市经济技术开发区，建设规划用地面积约20000平米，东西宽约86米，南北约150米，按照要求建筑用地东西退建筑红线15米，南北退建筑红线10米，规划限高为100米 规划设计条件 基地容积率≤1.7 建筑面积控制在20000平米 总体设计要求 本项目总体设计遵循“生态、现代、经济”的原则进行，为建设一栋内附时尚，外具特色的音乐剧场和传媒大厦，本设计特提出一下设计理念：本项目的建成将是地段的标志，是经济技术开发区形象的有力展示。 体现经济开发区高科技工业文明的先进性与时代感——在设计中充分挖掘和表现经济技术开发区的先进性，敢于走新路、创造新形象，尽可能代表中国当前最先进的科研、生产管理水平。 总图规划紧密结合当地的发展战略——依据开发区发展战略，合理确定项目的总体规模和建设内容，坚持整体规划，分步实施的方针。 在功能合理的基础上实现资源利用的最大化与集约化——从项目的最优化出发，进行建筑物的合理分区及集约化布置，做到土地资源利用效率的最大化，是人、车、物、信息动力等流线组织最便捷。 实现人、建筑与环境的最佳结合，构建全新而和谐到的经济区核心基地——以人为设计的真正对象和目标，在总图布局中充分考虑建筑群体组合的视觉和景观效果，尽量利用自然通风、采光，并将其与生态环境、人文环境有机融合起来。 充分考虑灵活性与可持续发展的要求，提供有弹性的解决方案——用足规划条件，合理确定建筑的层数、高度、占地面积等指标，有益地对现有建筑加以改造，实现现有资源再利用，充分考虑使用的灵活性和经济性，保证经济技术开发区的可持续发展优势。