摘要:
基于深度学习的鸟类分类识别web应用 技术栈 前端:Bootstrap,Jquery 后端:Django 模型:VGG16 微信小程序:colorUI+wepy GitHub: https://github.com/BSR-Bird-species-recognition/Bird-species- 阅读全文
摘要:
Beta阶段的出口条件 完成可以正常返回结果的鸟类识别网页 已完成的工作 吴文敏:前端网页搭建完成,前后端通信完成 王宏基:调整后端适配新版的前端,前后端连接完成 索 欢:服务器搭建完成 曹 阳:**网站优化完成,测试通过,小程序测试通过,**提高模型预测准确率、完成给后端调取预测结果的api 薛华 阅读全文
摘要:
Alpha阶段的目标及完成度 搭建起我们的网页前端 寻找更加好的算法 前后端对接 模型准确率达到80%以上 目标完成度:95% Beta阶段的出口条件 完成可以正常返回结果的鸟类识别网页 已完成的工作 吴文敏:前端网页搭建完成,做了一些改善 王宏基:前端页面更新了以后对后端进行了改进,前后端连接完成 阅读全文
摘要:
Alpha阶段的目标及完成度 搭建起我们的网页前端 寻找更加好的算法 前后端对接 模型准确率达到80%以上 目标完成度:95% Beta阶段的出口条件 完成可以正常返回结果的鸟类识别网页 已完成的工作 吴文敏:前端网页搭建完成 王宏基:后端搭建完成 索 欢:服务器搭建完成 曹 阳:VGG16模型训练 阅读全文
摘要:
Alpha阶段的目标及完成度 搭建起我们的网页前端 寻找更加好的算法 前后端对接 目标完成度:95% Beta阶段的出口条件 完成可以正常返回结果的鸟类识别网页 已完成的工作 吴文敏:前端 王宏基:后端搭建完成 索 欢:服务器搭建完成 曹 阳:VGG16模型训练完毕,可以开始用了 薛华丰:着手跟曹阳 阅读全文
摘要:
任务总结 搭建起了我们的网页前端,目前准备在上传图片中加入一个截选框让用户将鸟放大,使识别更加准确 寻找更加好的算法,决定用VGG网络 利用Django来做后端 搞定了云服务器配置和域名解析,目前可以通过域名访问我们的网站,后端部分正在完善中,但是仍然没有跟上进度:http://000.nilyan 阅读全文
摘要:
任务总结 搭建起了我们的网页前端,目前准备在上传图片中加入一个截选框让用户将鸟放大,使识别更加准确 关键的鸟类识别算法精准度达到80% 基于组里成员没有修过java的课程,参考其他组的方案和助教的建议,准备尝试转用学习成本更低的Django来做后端. 搞定了云服务器配置和域名解析,目前可以通过域名访 阅读全文
摘要:
任务总结 对我们要做的鸟类识别有了更加深入的认识 搭建起了我们的网页前端 关键的鸟类识别算法精准度达到70~80% 基于组里成员没有修过java的课程,参考其他组的方案和助教的建议,准备尝试转用学习成本更低的Django来做后端. 搞定了云服务器配置和域名解析,目前可以通过域名访问我们的网站,后端部 阅读全文
摘要:
任务总结 对我们要做的鸟类识别有了更加深入的认识 搭建起了我们的网页前端 开始测试关键的鸟类识别算法 基于组里成员没有修过java的课程,参考其他组的方案和助教的建议,准备尝试转用学习成本更低的Django来做后端. 工作总结 已完成的工作 吴文敏:搭建好了网页前端,目前正在解决API通信问题 王宏 阅读全文
摘要:
任务总结 对我们要做的鸟类识别有了更加深入的认识 搭建起了我们的网页前端 开始着手关键的鸟类识别算法 工作总结 已完成的工作 吴文敏:搭建好了网页 王宏基:认真学习了WEB后端 索 欢:认真学习了WEB后端,学习如何与前端交互 曹 阳:开始写鸟类识别算法 薛华丰:学习卷积网络和python语言 ## 阅读全文