今日（7月4日），仓库番（Sokoban）解谜游戏《Hogtie》Steam页面上线，游戏支持简体中文，感兴趣的玩家可以进入商店页面。

游戏介绍：

Hogtie是一款仓库番（Sokoban）解谜游戏，你需要用可靠的套索引导小猪回到猪圈。探索不同的生物群系，导航带有独特效果的瓷砖，并享受角色自定义，使你的游戏体验真正独一无二，同时在100多个关卡中进行游戏。

游戏特点：

大家好，今天为大家分享一个有趣的 Python 库 - scikit-image。

一，准备

dlib库下载： 提取码1111

摘要：随机森林可以产生高准确度的分类器，被广泛用于解决模式识别问题。然而，随机森林赋予每个决策树相同的权重，这在一定程度上降低了整个分类器的性能。为了解决这个问题，本文提出一种加权随机森林算法。该算法引入二次训练过程，提高分类正确率高的决策树投票权重，降低分类错误率高的决策树投票权重，从而提高整个分类器的分类能力。通过在不同数据集上的分类测试实验，证明了本文算法相比于传统的随机森林算法具有更强的分类性能。

0引言

随机森林（Random Forests）最早由加利福尼亚大学的Leo Breiman［1］在2001年提出。它是一个由许多基础分类器“决策树”构成的组合分类器，不同决策树之间是独立同分布的，当输入一个测试样本时，由所有基础分类器的投票结果来确定最终样本的所属类别。传统的随机森林通过创建一系列独立同分布的决策树来分类样本，用投票结果来决策最终的分类结果。随机森林引入了两个随机化过程，使得不同的决策树分类器具有不同的分类能力，一些决策树的分类性能好，另一些决策树的分类性能差，但是，在确定一个样本属于哪个类别属性时，这两种决策树具有相同投票权重，因而会削弱分类器的整体性能。本文提出的加权随机森林算法通过引入二次训练，赋予决策树不同的权重，提高分类器的整体性能。

简介

KNN算法，即K近邻算法是一种监督学习算法，本质上是要在给定的训练样本中找到与某一个测试样本A最近的K个实例，然后统计k个实例中所属类别计数最多的那个类，就是A的类别。

摘 要： 首先提出一种运动人体检测算法，通过图像序列识别出运动人体作为跟踪目标，然后在TLD算法中引入目标轨迹预测，利用该信息来辅助空间搜索。运动人体检测算法首先采用背景减除和边缘检测算法获得完整目标轮廓，然后使用HU仿射不变矩检测出运动人体，该特征能适应目标旋转、尺度、仿射等变化场合。为提高跟踪实时性，在TLD框架中引入卡尔曼轨迹预测，并先在预测位置邻域搜索。实验结果表明，该运动人体检测算法能够在静态和动态背景下准确地检测出运动人体；改进后的TLD算法与原始算法相比，在准确率不降低情况下，降低了计算复杂度。

关键词：matlab 图像处理 图像分割 目标检测

用于挑战性物体语义分割、实例分割和目标检测等计算机视觉任务的RGB-D数据集。

作为程序员，不会换脸软件怎么能忍?下面教大家徒手使用 Deepfakes 换脸。

如何使用 Deepfakes 换脸?

获取 deepfakes 工具包

git clone https://github.com/deepfakes/faceswap.git 
复制代码

补齐依赖包：

人脸识别技术的应用越来越广泛，从安保到支付，从人机交互到医疗保障等都有其身影。那么，人脸识别的原理是怎样的呢？在这篇文章中，我们将从几个方面来为大家讲解。

人脸识别的基本流程

人脸识别的基本流程主要包括图像获取、人脸检测、人脸对齐、特征提取和人脸匹配等几个步骤。其中，图像获取是指摄像机或相机采集人脸照片或视频；人脸检测是通过人脸检测算法找到图像中的人脸位置；人脸对齐是将检测到的人脸图像进行归一化，以便后续的特征提取；特征提取是从人脸图像中提取出能够区分不同人的特征；人脸匹配是将提取出的特征与数据库中的特征进行比对，判断是否匹配。

摘 要： 为了进一步提高人体部位识别正确率，考虑人体部位尺寸不一特性，提出了改进型深度差分特征。改进型深度差分特征根据人体部位尺寸大小确定特征偏移量取值，然后利用随机森林算法训练分类模型，实现了人体部位识别。实验结果表明，采用改进型深度差分特征作为分类模型的训练特征点，实现了人体部位更高、更准确的识别率，比原深度差分特征提高了1.95%。

0 引言

人体姿态识别是计算机视觉中一个重要的研究方向，对视频中运动人体部位的准确识别可为人体姿态研究奠定基础，也降低了人体行为分析的难度。