- 综合排序
- 最热优先
- 最新优先
- 来自专栏TEL18600524535
俄文识别技术：跨国文档管理的核心
俄文作为联合国官方语言之一，承载着丰富的文化与科技资源。俄文识别技术（OCR），正是开启这座信息宝库的关键钥匙。 核心工作原理：从像素到字符的智能之旅俄文识别并非简单“看图识字”，而是一个融合多学科知识的精密流程：1.图像预处理：这是识别的基石。 攻坚克难：俄文识别的独特挑战尽管通用OCR技术已相当成熟，俄文识别仍面临其特有的“拦路虎”：西里尔字母的复杂性：相似字符众多：ш (sha) / щ (shcha), м (em) / т (te) / 功能特点：俄文识别的核心能力现代俄文OCR解决方案通常具备以下强大功能：高精度识别：针对俄文优化的核心引擎，在清晰文档上可达到接近或超过人眼的识别准确率（尤其印刷体）。 表格识别：精准识别表格线框，提取并结构化存储表格内的俄文数据。多语言混合识别：在俄文为主但包含其他语言（如英语术语、姓名）的文档中，能准确区分并识别不同语种的文字。
46210编辑于 2025-08-07 - 来自专栏Ms08067安全实验室
人脸识别9种攻击方式
9.
1.4K10编辑于 2025-03-07 - 来自专栏以终为始
Java 【打印俄文的英文字母】
俄文的的字符可以用 'A' 到 'Я '。 class main { public static void main(String args[]) { char S = 'А', C = 'Я'; System.out.println("俄文字母共有
1.1K10编辑于 2023-03-09 - 来自专栏贾志刚-OpenCV学堂
OpenCV实现0到9数字识别OCR
使用OpenCV对0到9数字进行识别，实现简单OCR功能，基于CA（轮廓）分析实现特征提取，基于L1距离计算匹配实现数字识别。在排除干扰的基础上，识别精度可以达到98%以上。 整个算法分为两个部分，第一部分是特征提取，提取的特征实现了尺度不变性与轻微光照与变形干扰排除，第二部分基于特征数据进行匹配实现了相似性比较，最终识别0到9十个数字。 第一部分详解： 算法的第一部分主要是实现以下功能，提取42个特征向量，用其中40个向量做匹配识别，另外两个向量做辅助检查。比如0跟1的横纵比有明显差别。特征提取的主要步骤如下： 1. 识别结果： ? 观察结论 训练数据和识别数据在字体、大小上均有差异，然而根据提取的特征进行匹配，均可识别，充分证明了本识别算法的尺度不变性与局部抗干扰能力。
5.7K20发布于 2018-07-26 - 来自专栏TEL18600524535
俄文OCR：大幅提升俄语文档信息处理效率
俄文OCR（光学字符识别）技术是一种将印刷或手写的俄语文本转换为可编辑、可搜索的数字化数据的技术。 俄文OCR所面临的技术难点1. 西里尔字母的相似性俄语使用西里尔字母，部分字符形状相似（如 Ш（Sha）和 Щ（Shcha）、и（i）和 н（n）），容易导致识别错误。 俄文OCR技术的功能特点高精度识别：支持多种印刷字体（如Times New Roman、Arial），识别准确率可达95%以上。多语言混合识别：可同时处理俄语、中文、数字及特殊符号的混合文本。 批量处理：支持大批量文档自动识别，提高企业级数据处理效率。俄文OCR技术的应用领域企业办公自动化：自动识别俄语合同、发票、财务报表，减少人工录入成本。 自动识别护照、签证、身份证等证件信息，加快边检和政务流程。俄文OCR技术在全球化信息处理中扮演着重要角色，其高精度、高效率的特点使其在商务、教育、政务等领域具有广泛应用前景。
57100编辑于 2025-07-08 - 来自专栏我爱计算机视觉
GroupFace 人脸识别，刷新 9 个数据集SOTA
在人脸识别常用的 9 大数据集(LFW, YTF, CALFW, CPLFW,CFP, AgeDB-30, MegaFace, IJB-B, IJB-C)上，该算法表现出了一致性的精度提高，虽然代码没开源 作者认为如果在训练的时候能够给出每张图片所属组（或者说类别）的标签，训练得到的特征天然的具有缩小人脸搜索范围的性质，使人脸识别更精准。 其实透过上面的分析可知，使用作者的方法很难学到作者假设的那种语义分组，但在实验中发现，网络自动分组对人脸识别来说仍然有好处的。 实验结果 除了使用GroupFace网络结构，作者还使用arcface loss损失函数，在 9 个常用的1:1人脸验证和1:N人脸识别数据集中的实验，均得到了显著的精度提升。 ? ? ? 虽然作者称GroupFace是一种人脸识别专用算法，但其实这种思想在所有表示学习、度量学习领域都值得尝试，比如ReID。
1.4K20发布于 2020-05-27 - 来自专栏Android 研究
PMI-ACP 敏捷项目管理9——识别干系人
一、识别干系人 识别干系人并分析和记录他们的相关信息，可以帮助敏捷项目经理建立对各个干系人或者干系人群体的适度关注。 在项目或者阶段的早期，识别干系人，并分析他们的利益层次、个人期望、重要性和影响力，对项目成功非常重要。 识别干系人的工具，主要包括：任务、线框图和用户故事 二、人物 人物是用细节描述详细阐释用户信息，提供客户的背景；部分人物带有名称、地址、年龄、收入、洗好、厌恶和其他概念性细节。 任务是快速识别项目干系人和他们兴趣点的一个工具。软件项目通常创建即将使用这个系统的不同类型的任务。人物可以基于某个真实的人或者多个用户的复合原型。 验收条件体现故事范围，需要在故事编译的时候就识别验收标准。同时，对于这些测试要能够从界面或者接口进行，能够被自动化测试。 4 用户故事待办事项 一旦用户故事被写好，他们就应该放在一个待办事项中。
1.7K20发布于 2018-08-30 - 来自专栏猿人工厂
猿设计9——真电商之商品实体识别
经过前一章节的讨论相信你已经能够正确的区分SPU与SKU两个概念。商品系统的设计与构建，从某种程度上来讲，就是围绕SPU和SKU来进行的。但是只有这两个粗浅的概念，并不足以描述一个商品信息，今天，我们一起来聊一聊商品到底有哪些信息，进一步完善商品系统的设计。
1.3K20发布于 2020-07-28 - 来自专栏AI机器学习与深度学习算法
机器学习入门 7-9 人脸识别与特征脸
本章的最后一个小节介绍PCA在人脸识别领域的一个特殊的应用，也就是所谓的特征脸。本小节会介绍什么是特征脸，并通过可视化的方式直观的感受特征脸。 同样在这里我们依然使用sklearn内部为我们提供的人脸识别数据集"The Labeled Faces in the Wild face recognition dataset"。 对于人脸识别数据集而言，如果没有访问外国网站，虽然下载速度相对慢一点，但是还是能够下载的。 sklearn的人脸识别数据集大约200MB，相对而言数据集还是比较大的。 这就是这一小节所介绍的PCA在人脸识别领域中的一个专门的应用特征脸。 使用这种人脸图片足够的数据集进行人脸识别相对来说就比较靠谱。
1.4K20发布于 2019-11-23 多种蝴蝶识别分割数据集labelme格式784张9类别
数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件) 图片数量(jpg文件个数)：784 标注数量(json文件个数)：784 标注类别数：9 标注类别名称:["
20500编辑于 2025-07-16稻田虫害识别分割数据集labelme格式7533张9类别
是原图剩余为增强图片 数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件) 图片数量(jpg文件个数)：7533 标注数量(json文件个数)：7533 标注类别数：9
17710编辑于 2025-07-16- 来自专栏网络安全技术点滴分享
在AI技术唾手可得的时代，挖掘新需求成为创新关键——某知名Android自动化框架需求洞察
图像处理：支持屏幕截图、图片找色、图片匹配等图像识别功能，可用于基于图像的操作判断。多语言支持：支持简体中文、繁体中文、英文、法文、西班牙文、日文、韩文、俄文、阿拉伯文等多语言界面。 e.潜在新需求（1）用户希望增加验证码识别OCR功能，集成类似ddddocr的验证码识别能力（2）用户希望增强打包功能，支持签名配置管理和权限自动勾选功能（3）用户希望优化布局分析功能，支持排除干扰控件和可视化调试 支持权限检查和动态调整大小（6）用户希望增强网络通信能力，支持WebSocket断线重连机制（7）用户希望提供TypeScript工程化支持，改善开发体验（8）用户希望支持CSS选择器，方便HTML内容解析（9）
28310编辑于 2025-09-02 - 来自专栏芯智讯
谷歌Pixel 9系列手机将采用高通超声波指纹识别技术
7月8日消息，据业内传闻显示，谷歌新一代旗舰智能手机Pixel 9系列预计将于8月中旬正式发布，新机很可能将首度搭载超声波屏下指纹识别技术，以取代原先光学式指纹识别。 据芯智讯了解，谷歌 Pixel 9系列将采用与三星Galaxy S24 Ultra一样的高通3D Sonic Gen 2超声波指纹识别传感器。 这也将使得用户无需将指尖100%精准的对准屏幕提示的识别区域也能实现指纹识别。 另据《经济日报》报道称，高通与业成（GIS）是长期合作伙伴，前者负责提供超声波屏下指纹识别传感器与软件算法，后者则负责供应屏下指纹识别模块。 据悉，GIS近年来在屏下指纹辨识模块市场大有斩获，除持续供货给三星用于旗舰机外，也有打入不少大陆手机品牌厂，若能再切入谷歌 Pixel 9系列，等于一口气囊括美国、中国大陆、韩国等客户的指纹识别订单。
58010编辑于 2024-07-12 - 来自专栏li_wait
打印9*9乘法口诀
j = 1; j <=i; j++) { printf("%d*%d=%d ", j, i, i * j); } printf("\n"); } return 0; } 打印9* 9乘法口诀表： 从图中看出第四排和第五排没有对齐，要想对齐，可以考虑 printf限定占位符的最小宽度（https://blog.csdn.net/wait___wait/article /details/135287228） 9*9乘法口诀表中最大位数是2，因此设最小宽度为2。
44910编辑于 2024-10-23 - 来自专栏美丽应用
让七彩虹(ColorFly)C3可被Linux设备识别
这么一来问题产生了:因为C3比较小巧便携，所以有些时候我还是要用到C3听歌的，经过测试，C3只能识别烧写有Volumio系统的第一个分区(也就是Fat32格式的/boot分区)，而其他被格式化为ext4 格式的分区C3无法识别。 所以小苏琢磨着将C3用数据线与树莓派连接，试试看在Linux环境下，能否正确识别并挂载七彩虹C3的内置存储。 然而没想到"柳暗花明杏花村"，小苏在搜索结果中看到了一篇发表在俄文HiFi论坛下的提问帖，里面介绍的问题和我的完全一致: https://vk.com/topic-41620701_27785678? offset=31 在31楼中，小苏似乎找到了解决方法(其实小苏也不懂俄文，Chrome的谷歌翻译也乱得一塌糊涂，只是看到熟悉的Linux命令小苏才发现这可能是解决方法的~): ?
1.6K60发布于 2018-07-20 - 来自专栏技术杂记
9
服务端 /var/log/messages 中会出现类似的日志Aug 25 00:26:02 pptp-server pptpd[10177]: CTRL: Client 103.240.124.15 control connection startedAug 25 00:26:02 pptp-server pptpd[10177]: CTRL: Starting call (launching pppd, opening GRE)Aug 25 00:26:02 pptp-server pppd[10178
97820编辑于 2022-06-30 - 来自专栏我爱计算机视觉
CVPR 2022 人员重识别方向 论文推荐 ~ 总计9篇，无监督、防换装、抗遮挡！
✔ 基于部分的伪标签提精，用于无监督人员重识别 Part-based Pseudo Label Refinement for Unsupervised Person Re-identification https://arxiv.org/abs/2203.14675 https://github.com/yoonkicho/PPLR ✔ 特征空间的样本生成，用于孤立摄像机人员再识别 Camera-Conditioned Isolated Camera Supervised Person Re-IDentification https://arxiv.org/abs/2203.15210 ✔ 带有噪声标签的人员重新识别 https://arxiv.org/abs/2204.06892 https://github.com/PaddlePaddle/PaddleClas ✔ 基于图采样的深度度量学习用于可泛化的人员重识别 Transformer https://arxiv.org/abs/2204.09331 https://github.com/haochenheheda/NFormer ✔ 仅用RGB图像的换装人员再识别
59910编辑于 2022-06-10 - 来自专栏python全栈教程专栏
输出9*9口诀
输出9*9口诀 //题目：输出9*9口诀。 result=2*1 result= 2*2 //第三次打印 i=3 ,j=1,2,3 result=3*1 result=3*2 result=3*3 //一次类推 //第九次打印 i=9, j=1,2,3,4,5,6,7,8,9 result=9*1 9*2 9*3 9*4.........
48620发布于 2021-10-18 - 来自专栏青年夏日
视频识别 动作识别 实时异常行为识别 等所有行为识别
大家好，我是cv君，很多大创，比赛，项目，工程，科研，学术的炼丹术士问我上述这些识别，该怎么做，怎么选择框架，今天可以和大家分析一下一些方案： 用单帧目标检测做的话，前后语义相关性很差（也有优化版）， 当然可以通过后处理判断下巴是否过框，效果是不够人工智能的），高抬腿计数，目标检测是无法计数的，判断人物的球类运动，目标检测是有很大的误检的：第一种使用球检测，误检很大，第二种使用打球手势检测，遇到人物遮挡球类，就无法识别目标 开始 目前以手势和运动识别为例子，因为cv君没什么数据哈哈 项目演示： 本人做的没转gif，所以大家可以看看其他的演示效果图，跟我的是几乎一样的~ 只是训练数据不同 一、 基本过程和思想 True path_annotations_train = None path_annotations_valid =None num_layers_to_finetune = 9
5.6K20发布于 2021-04-18 - 来自专栏决策智能与机器学习
智能识别方面主要进展 | 语音识别、OCR识别、图像识别、生物识别…… | 智能改变生活
识别与分类技术可应用于图像识别、医疗诊断、生物识别、信号识别和预测、雷达信号识别、经济分析，以及在智能交通管理、机动车检测、停车场管理等场合的车牌识别等很广泛的领域。 语音识别：语音识别行业现在似乎维持着最大的平衡，因为国内外各家的引擎识别率都基本在同一个水平线上，差不多达到了当前语音识别技术的极限，彼此之间差距不是那么明显。 国内著名的车牌识别产品主要有中科院自动化研究所汉王公司的汉王眼、北京文通科技有限公司的文通车牌识别系统等。 ? 虹膜识别：现代信息社会对精准识别的需求，呼唤更加不可替代的生物体特征，虹膜识别应运而生。 目前主要应用有证件识别、银行卡识别、名片识别、文档识别、车牌识别等。 ? 唇语识别：相较于前文提到的语音识别、车牌识别、人脸识别等难度更大，其很大程度上取决于语言的语境和对其的了解，而这些都只通过视觉来呈现的。
6.2K30发布于 2020-08-04
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号