- 综合排序
- 最热优先
- 最新优先
- 来自专栏python爬虫实战之路
python机器学习进行精准人脸识别
人脸识别准确率低？ 上一篇我们讲了使用OpenCV进行人脸识别的最基础操作。 但是从最后的效果可以看出，识别率、效率都很低，而且误检率比较高，识别过程中，系统资源占用相当大，实在是没办法在实际场合中使用。 4）甚至在严重遮挡下仍能工作； 5）可以检测各种尺度的人脸。 ，当然我们也可以自己训练，同样可以识别其他物体，实现实物识别。 DNN检测结果 以上图片使用Haar无法识别人脸，使用DNN完全可以识别。如果我们使用OpenCV提供的训练模型进行人脸识别，基本上函数调用及参数就是以上的值，而且识别率99%以上。
2.7K41发布于 2020-05-22 - 来自专栏燧机科技-视频AI智能分析
智能视频分析ai图像精准智能识别
智能视频分析ai图像精准智能识别包含图像解决、数字图像处理、行为识别、状态识别 、视频帧全自动监控分析，体现了智能视频分析ai图像精准智能识别的工作能力。 根据智能视频分析ai图像精准智能识别，智能视频内嵌式识别专用工具可以分析监控视频监管下的图像，并将合理信息内容变换为有价值的信息发给后台，使视频监管从处于被动监管变化为积极监管。 现阶段，销售市场上面有完善的智能视频分析ai图像精准智能识别算法，如智能化工厂安全头盔配戴识别、车牌号识别、抽烟识别、浓烟火苗识别、工作人员擅自离岗识别、工作人员摔倒等运用。 附近个人行为分析主要包含人员的面部识别、工作人员行为识别、区域入侵检测技术、物件遗留下检验、人群聚集识别、全自动追踪等。 智能视频分析ai图像精准智能识别的有关生产商已经不断完善关键优化算法，以提升智能视频分析技术性的运用，完成智能视频分析商品的真真正正商用化。
4.8K20编辑于 2022-09-13 生成式AI精准识别危险血细胞
它不仅能够发现罕见的异常，还能识别自身的不确定性，从而成为临床医生的强大辅助工具。完整内容一种新的人工智能系统在识别血细胞危险变化方面可能优于人类专家，这可能会改变白血病等疾病的诊断方式。 研究人员表示，该工具能比人类专家更准确、更一致地识别异常细胞，有可能减少漏诊或不确定的诊断。 超越模式识别许多现有的医学AI工具被训练成将图像分类到预定义的类别中。 相比之下，CytoDiffusion背后的团队证明，他们的方法可以识别正常血细胞外观的全部范围，并可靠地标记可能预示疾病的罕见或异常细胞。识别血细胞大小、形状和结构的微小差异是诊断许多血液疾病的核心。 更自信地检测白血病在测试中，CytoDiffusion识别与白血病相关的异常细胞的灵敏度远高于现有系统。
15310编辑于 2026-05-05- 来自专栏啄木鸟软件测试
精准测试及其工具（连载5）
3星云客户端功能说明 精准测试云平台的逻辑可视化部分主要基于函数调用图、控制流程图和简易控制流程图这三个图形，其中函数调用图是函数模块级的逻辑图形，控制流程图和简易控制流程图是代码级的逻辑图形，这三种图形形成了源代码逻辑交替深入展示的一种形式
62110发布于 2019-12-12 - 来自专栏TEL18600524535
精准识别・版面还原：表格识别技术重塑政务服务效能
一种基于深度学习与计算机视觉技术研发的高精度表格识别技术，精准切入政务服务申请表处理场景，通过自动化提取表格文字与布局信息、实现复杂表格精准解析和版面还原，为政务服务数字化升级注入核心动力。 ；动态结构识别：准确识别“根据情况勾选”产生的可变长度字段和动态生成栏目。 4.精准版面还原与数字孪生矢量级重构：生成与原始表格布局一致的数字化版本，保留100%版面信息；可编辑化输出：一键导出为可编辑Word、Excel、结构化JSON及标准PDF/A归档格式；元数据嵌入：为每个字段添加语义标签和时间戳 复杂场景专项突破特殊表格处理：精准处理复写纸多联表格、碳素笔迹褪色表格等疑难情况；移动端采集：群众通过政务APP拍照上传，系统实时识别并预审填报内容。 通过让机器精准“读懂”每一张申请表的结构与内容，政府工作人员得以从重复性劳动中解放，将更多精力投入到政策解读、群众沟通与服务优化中。
27100编辑于 2026-01-06 - 来自专栏猿湿Xoong
Android | 通过机器学习实现精准字母手势识别
看过上一篇「一个很糙的字母手势识别方案」文章并尝试了的同学，就一定知道，「糙手势」的识别是有多糙，糙的只能识别字母「C」。 今天这篇就用 Android 自带的 gesture API 来实现更为精准的识别。 看到这里，有的同学可能就会说了，「标题党，哪有机器学习！」。别急，认真看，认真学。 故事的开端 即使在「糙手势」方案中学习到了手势识别的大概套路：「先存储后识别」，但心痛于其感人的识别率，在还没写上一篇文章之前，就开始搜寻更为精准的方案。 我在 AndroidXref 中查询了一下，还真有这个类，大概了解并确定怎么用后，将「更精准的方案」之类的字眼写入前一篇文章的末尾，给大家留有悬念，并开始研究了起来。 当然，不仅是 26 字母，任何手势录入训练数据后都可以识别。 要我说，机器学习其实是一种编程方式，无关语言。
4K50发布于 2018-07-03 - 来自专栏ATYUN订阅号
微软资助，利用AI精准识别与追踪大象
今年初，一个研究人员联盟开发了一种机器学习算法，可以识别和描述野生动物。 根据Conservation Metrics首席执行官Matthew McKown的说法，它足以精确识别从空中看不到的动物。 西雅图的Snow Leopard Trust是另一位受资助者，他与微软的工程师合作，建立了一种计算机视觉算法，能够以95％的准确度识别相机图像中的动物。
53610发布于 2018-08-16 CiteAudit：用AI智能体精准识别伪造论文引用
CiteAudit识别了全部伪造引文，且仅错误拒绝了少量真实引文。总体而言，该系统对引文的判断准确率达到97.2%。它能在2.3秒内处理十条引文，并且由于在本地运行，不产生任何令牌成本。 今年1月的一项独立调查也显示，商业AI系统在其他领域也未能识别自身的输出。主流聊天机器人在绝大多数情况下无法识别出OpenAI的Sora生成的AI视频是人工的。
79810编辑于 2026-03-09- 来自专栏腾讯大数据的专栏
腾讯数平精准推荐 | OCR技术之识别篇
腾讯数平精准推荐(Tencent-DPPR)团队一直致力于实时精准推荐、海量大数据挖掘等领域的技术研发与落地。 图像作为当前社交广告最重要的展示形式，文字识别、物体识别等图像理解技术能够有效加深对广告特征、广告主题、广告信息、用户偏好等方面的理解，令广告推荐业务更加精准。 二 腾讯DPPR团队场景文字识别技术 本章重点介绍腾讯数平精准推荐团队（Tencent-DPPR）的深度OCR算法。 一些学者尝试把CTC损失函数借鉴到OCR识别中，CRNN [5]就是其中代表性算法。 我们使用的算法的网络结构如图5所示，由于以上所述的多处改进，我们的算法速度快且精度高，在身份证、银行卡等业务上取得98%以上识别准确率。 ? （图5） 2.
13.7K2820发布于 2018-05-08 - 来自专栏TEL18600524535
智能表格识别技术：实现复杂表格内容的精准解析
传统的OCR（光学字符识别）技术往往只能提取纯文本，丢失了关键的行列关系和布局信息，导致后续的数据清洗成本极高。随着人工智能技术的飞速发展，新一代表格识别技术应运而生。 核心技术原理：从像素到语义的跨越现代表格识别系统并非单一算法的产物，而是版面分析、多语种文字识别与深度学习结构预测技术的深度融合。其工作流程通常包含以下三个关键阶段：1. 与传统OCR不同，现代表格识别引擎具备极强的抗干扰能力：多语种支持：能够同时识别中文、英文、日文、韩文、法文等多种语言，甚至混合排版的文字，无需人工切换模型。 结构解析与还原 这是表格识别的“灵魂”所在。系统将识别出的文本框坐标与其所在的行列逻辑进行映射。 通过内置先进的版面分析和多语种识别技术，该方案不仅实现了复杂表格内容的精准解析，更完成了从“看图说话”到“读懂逻辑”的质的飞跃。
31210编辑于 2026-05-06 - 来自专栏腾讯安全
技术干货丨如何运用AI技术精准识别挖矿木马
那么，有没有什么办法，可以有效识别挖矿木马？ 不久前，腾讯安全科恩实验室高级安全研究员唐祺壹，以“BinaryAI: 用AI方法识别挖矿木马”为主题，从挖矿木马的发展趋势与威胁、BinaryAI的原理与机制以及BinaryAI如何识别挖矿木马等维度出发 ，为各行业用户提供基于AI技术的挖矿木马识别解决方案。 BinaryAI 的挖矿木马识别方案 在挖矿木马识别整个流程中，基于BinaryAI算法识别挖矿木马，首先会收集主流挖矿组件的各个函数，构建挖矿组件函数库。 最终得到一个相对质量比较高的函数库，用于进行挖矿木马的识别。
1.8K20发布于 2021-10-09 - 来自专栏燧机科技-视频AI智能分析
离岗识别 yolov5
离岗识别算法模型通过yolov5网络模型技术，离岗识别可以自动识别现场画面中人员离岗等行为，发现违规行为立即抓拍告警。 YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。 而YOLOv5的Neck网络中，采用借鉴CSPnet设计的CSP2结构，从而加强网络特征融合能力。 下图展示了YOLOv4与YOLOv5的Neck网络的具体细节，通过比较我们可以发现：（1）灰色区域表示第1个不同点，YOLOv5不仅利用CSP2_\1结构代替部分CBL模块，而且去掉了下方的CBL模块； （2）绿色区域表示第2个不同点，YOLOv5不仅将Concat操作之后的CBL模块更换为CSP2_1模块，而且更换了另外一个CBL模块的位置；（3）蓝色区域表示第3个不同点，YOLOv5中将原始的CBL
59500编辑于 2023-05-20 快速精准的生物医学命名实体识别框架
www.opentargets.org友好提供，可免费用于商业用例Stanza框架生物医学scispacy模型SAPBERT：KAZU使用SAPBERT的蒸馏形式GLiNER：使用双向Transformer的通用命名实体识别模型
23310编辑于 2025-10-23揭秘刷单黑产套路：AI时代如何精准识别风险？
正文： 2025年“双十一”期间，某跨境电商品牌因刷单团伙操纵虚假销量损失超千万元；某持牌消费金融公司因未识别“薅羊毛”团伙，导致坏账率激增300%。 如何穿透数据迷雾，精准识别刷单风险？本文将从技术解析、工具赋能两个维度提供解决方案。 二、AI驱动的风险识别矩阵 技术手段 核心能力 典型场景 行为序列分析 检测用户操作路径的异常波动 支付宝登录-支付-退出链路 知识图谱关联 识别跨账号、跨设备的团伙关系 微信群控设备集群 时序特征建模 发现周期性刷单行为的隐含规律 每日晚间9点集中下单时段 多模态验证 结合OCR、声纹识别交叉核验身份 快递签收视频与身份信息比对 三、腾讯安全天御信鸽的差异化优势 对比维度 腾讯安全天御信鸽 传统数据采集方案
57110编辑于 2026-01-20- 来自专栏White feathe 的博客
H5 图像识别
识别对比 ---- 1、百度识别 发现百度的图片搜索识别率不是特别，下面为测试图片跟测试后的结果： 测试图片： 下面为测试后的结果： 2、采用 tesseract.js 后结果 H5 图像识别 （采用Tesseract.js 进行识别） ---- 简单的文案之类的，识别的还算可以，但是稍微复杂点的，准确率就不是那么好了，在学习中。。。 font-family:"arial, helvetica, sans-serif"}fieldset{margin-bottom:10%;border:1px solid #ddd;border-radius:5px ratio for chucking outlines edges_debug 0 turn on debugging for this module edges_max_children_layers 5 classes matcher_rating_margin 0.1 New template margin (0-1) matcher_sufficient_examples_for_prototyping 5
4.5K30编辑于 2021-12-08 - 来自专栏四楼没电梯
java验证码识别--5
java验证码识别--1 http://blog.csdn.net/problc/article/details/5794460 java验证码识别--2 http://blog.csdn.net/problc /article/details/5797507 java验证码识别--3 http://blog.csdn.net/problc/article/details/5800093 java验证码识别-- 4 http://blog.csdn.net/problc/article/details/5846614 java验证码识别--5 http://blog.csdn.net/problc/article 得到model之后，把要识别的图片同样弄成libsvm的格式，存成predict.txt label indexi:valuei 0 1:0 2:0 3:0 4:0 5:0 6:0 7:0 8:0 9: 因为要识别的图片还不知道是哪个数字，所以其中label可以填成任何数 然后用svmpredict predict.txt data.txt.model output.txt 这样识别结果就在output.txt
49710编辑于 2024-10-12 - 来自专栏爱可生开源社区
SQL 质量管理 | SQL 猎手：精准识别与过滤业务 SQL
SQLE 是一款全方位的 SQL 质量管理平台，覆盖开发至生产环境的 SQL 审核和管理。支持主流的开源、商业、国产数据库，为开发和运维提供流程自动化能力，提升上线效率，提高数据质量。
87450编辑于 2023-11-20 - 来自专栏灯塔大数据
面部识别无歧视，Face API更加精准识别人类肤色
导读：微软近日在博客文章中宣布了Face API的重大更新，它改进了面部识别平台识别不同人种性别的能力，此前，这一直是计算机视觉平台面临的挑战。本文将进行详细介绍。（文末更多往期译文推荐） ? 微软近日在博客文章中宣布了Face API的重大更新，它改进了面部识别平台识别不同人种性别的能力，此前，这一直是计算机视觉平台面临的挑战。 多年来，研究人员已经证实了面部识别系统存在种族偏见。 2011年的一项研究发现，中国，日本和韩国的算法在识别白人面孔方面比识别东亚人更困难，另一项研究表明，安全厂商们大肆推广的面部识别技术对非洲裔美国人的识别准确率会下降5％至10％。 微软指出，在财富榜前500位首席执行官中，女性只有不到5％，目前网络中，“首席执行官”的搜索结果都大大提高了男性的形象。
75240发布于 2018-07-25 腾讯安全构建金融行业纵深防御体系，精准识别AI仿冒欺诈
黑产利用DeepFake换脸、音频合成等技术，结合非法获取的个人信息，对企业与个人实施精准诈骗，严重威胁资产安全与业务稳定。 该模块对摄像头劫持攻击的风险识别率超过99%（来源：腾讯安全实验室数据），有效阻断假视频注入。 2. 行为异常检测 从键盘输入、鼠标交互、屏幕操作等行为数据中提取特征，通过传感器融合分析，识别非真人操作模式。基于数据驱动的身份认证方法，从领域差异中解耦特征，提升身份识别准确性。 3. 通过资源聚集、行为协同、内容相似度等维度评估风险，识别群控、众包等协同欺诈行为。 腾讯安全的技术权威性与实践积累 腾讯安全基于长期黑产对抗经验，构建了覆盖设备、环境、行为、账号的多维风险识别体系。
25410编辑于 2026-05-30- 来自专栏GiantPandaCV
利用扩散模型精准识别UDC环境下的面部表情
利用扩散模型精准识别UDC环境下的面部表情 论文标题：LRDif: Diffusion Models for Under-Display Camera Emotion Recognition 论文链接： 背景介绍 面部表情识别（FER）在近年来取得了显著的进步。然而，在屏下相机（UDC）环境下实现情绪识别面临着独特的挑战。最根本的挑战在于图像的质量和清晰度。 用于情绪识别的机器学习模型需要针对UDC图像进行调整，确保它们能够有效地识别情绪状态，尽管存在额外的噪声和失真。以前关于FER的研究没有充分关注UDC图像带来的额外噪声和失真的影响。 表5：本文提出的FER算法与在UDC-RAF-DB数据集上的准确率(%)。 图4：SCN和LRDif在RAF-DB数据集上训练得到的特征分布。 图5：在UDC-KDEF数据集上训练的DM的t-SNE特征可视化。 图6：扩散模型中迭代次数的研究。 结论 本文介绍了LRDif，用于UDC环境中的FER。
1K10编辑于 2024-02-29
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