文件名称：手跟踪：在Tensorflow上使用神经网络（SSD）构建实时手检测器
文件大小：217.01MB
文件格式：ZIP
更新时间：2024-02-26 22:56:51
computer-vision neural-network tensorflow detector ssd
在Tensorflow上使用神经网络（SSD）进行实时手检测。 此仓库记录了用于使用Tensorflow（Object Detection API）训练手持探测器的步骤和脚本。 与任何基于DNN的任务一样，过程中最昂贵（也是最危险）的部分与查找或创建正确的（带注释）数据集有关。 我主要对检测桌子上的手感兴趣（以自我为中心的观点）。 我首先用了实验（结果不好）。 然后，我尝试了，该非常适合我的要求。 此回购/发布的目的是演示如何将神经网络应用于跟踪手（以自我为中心的视图和其他视图）的（困难）问题。 更好的是，提供可以适应其他用例的代码。 如果您在研究或项目中使用本教程或模型，请引用 。
【文件预览】：
handtracking-master
----.gitignore(1KB)
----images()
--------hand3.gif(2.38MB)
--------accuracy.jpg(574KB)
--------compare.gif(1.79MB)
--------general.jpg(208KB)
--------doodle.gif(8.08MB)
--------hand1.gif(1.53MB)
--------hand2.gif(1.96MB)
--------chess2.gif(1.65MB)
--------egohandstrain.jpg(212KB)
--------chess3.gif(1.78MB)
--------chess1.gif(1.75MB)
----LICENSE(1KB)
----hand_inference_graph()
--------pipeline.config(4KB)
--------model.ckpt.meta(1.28MB)
--------hand_label_map.pbtxt(32B)
--------model.ckpt.index(14KB)
--------model.ckpt.data-00000-of-00001(17.73MB)
--------saved_model()
--------frozen_inference_graph.pb(18.25MB)
--------checkpoint(77B)
----detect_single_threaded.py(4KB)
----utils()
--------__init__.py(0B)
--------label_map_util.py(5KB)
--------detector_utils.py(5KB)
----egohands_dataset_clean.py(8KB)
----model-checkpoint()
--------ssdmobilenetv1()
--------ssdlitemobilenetv2()
----README.md(23KB)
----detect_multi_threaded.py(5KB)
----protos()
--------faster_rcnn_pb2.py(17KB)
--------string_int_label_map_pb2.py(4KB)
--------bipartite_matcher.proto(179B)
--------ssd_anchor_generator_pb2.py(4KB)
--------train.proto(2KB)
--------anchor_generator.proto(477B)
--------image_resizer.proto(927B)
--------ssd.proto(2KB)
--------box_coder.proto(552B)
--------grid_anchor_generator_pb2.py(5KB)
--------input_reader_pb2.py(8KB)
--------__init__.py(0B)
--------bipartite_matcher_pb2.py(2KB)
--------ssd_pb2.py(12KB)
--------optimizer_pb2.py(22KB)
--------image_resizer_pb2.py(7KB)
--------square_box_coder_pb2.py(3KB)
--------optimizer.proto(2KB)
--------hyperparams.proto(3KB)
--------box_predictor_pb2.py(18KB)
--------post_processing_pb2.py(6KB)
--------anchor_generator_pb2.py(4KB)
--------argmax_matcher_pb2.py(4KB)
--------eval.proto(2KB)
--------region_similarity_calculator_pb2.py(7KB)
--------mean_stddev_box_coder_pb2.py(2KB)
--------model.proto(295B)
--------region_similarity_calculator.proto(672B)
--------post_processing.proto(1KB)
--------pipeline.proto(633B)
--------preprocessor.proto(11KB)
--------pipeline_pb2.py(5KB)
--------BUILD(6KB)
--------hyperparams_pb2.py(21KB)
--------faster_rcnn.proto(5KB)
--------argmax_matcher.proto(979B)
--------model_pb2.py(4KB)
--------input_reader.proto(2KB)
--------train_pb2.py(9KB)
--------losses.proto(4KB)
--------box_coder_pb2.py(5KB)
--------ssd_anchor_generator.proto(952B)
--------grid_anchor_generator.proto(1020B)
--------losses_pb2.py(24KB)
--------mean_stddev_box_coder.proto(188B)
--------matcher.proto(418B)
--------preprocessor_pb2.py(77KB)
--------square_box_coder.proto(419B)
--------string_int_label_map.proto(724B)
--------faster_rcnn_box_coder_pb2.py(3KB)
--------matcher_pb2.py(4KB)
--------eval_pb2.py(7KB)
--------box_predictor.proto(3KB)
--------faster_rcnn_box_coder.proto(531B)
----docs()
--------handtrack.pdf(563KB)
----egohands_dataset_clean_4classes.py(9KB)
----export_inference_graph.py(7KB)