卷积神经网络在图像处理中的应用.pdf

基于卷积神经网络的手写汉字识别系统与实现，这是关于手写汉字识别的研究，有实现方法和结果，包含设计思路原理，实验结果和分析。

卷积神经网络用到的数据集图片、训练好的权重等参数文件

针对视频序列中的几种异常行为,构建训练模型,对其进行识别。使用卷积神经网络(CNN)进行特征提取并采用Adam算法(一种基于梯度的优化算法)进行优化。引入自适应池化层,筛选出判别的特征信息,减轻网络的计算量,加快识别视频序列中存在的异常行为。使用Adam算法对模型进行优化后,识别率可以达到87.6%,引入自适应池化层后,识别率可以达到91.9%。该卷积神经网络对视频序列中基本的异常行为的检测效果比改进的轨迹跟踪(iDT)和双流网络更快更准确;相较于时间分割网络(TSN)和时间关系网络(TRN),识别的准确率稍低,但是识别的速度更快。

吴恩达卷积神经网络课后作业数据集。第二周keras资源。用于训练

利用卷积神经网络实时识别手势动作 一共识别5种手势动作 剪刀动作 2.石头动作 3.布动作 4.OK动作 5.good动作 项目文件 项目文件列表如下： data：存放训练集、测试集，实时保存的图像（用于在线检测）。 ges_ico：存放UI窗口使用的各种图标。 log：存放训练的CNN网络的模型参数。 CallFrame.py：界面窗口的逻辑文件，用来调用界面文件并编写信号与槽函数。 Frame.py：界面窗口的界面文件，通过PyQt5的designer工具生成。 GetTestImage.py：利用OpenCV获取图片并标记，用来制作测试集。 GetTrainImage.py：利用OpenCV获取图片并标记，用来制作训练集。 SaveGesture.py：利用OpenCV实时获取图片，并进行预处理，用于在线检测手势。 TestGesture.py：将实时获取的图片送入已训练好的C

用于脑肿瘤检测的 CNN 一个用 Python 开发的卷积神经网络，使用 Keras 和 Tensorflow 进行二进制分类，训练用于检测 MRI 图像中的脑肿瘤。 它达到了 90% 的准确率。

基于keras，后端为theano的卷积神经网络分类，代码是二分类，主要对猫狗进行识别分类

提出一种可用于改进图像超分辨率重建质量的双判别器超分辨率重建网络(DDSRRN)。该网络在生成式对抗网络(GAN)的基础上增加一个判别器,将Kullback-Leibler(KL)和反向KL散度组合成一个统一的目标函数来训练两个判别器,利用这两种散度的互补统计特性,能在多模式下分散预估计密度,从而避免重建过程中网络模型的崩溃问题,提高模型训练的稳定性。针对模型损失函数的设计部分,首先使用Charbonnier损失函数来构建内容损失,利用网络中间层的特征信息来设计感知损失和风格损失,最后为缩减图像重建时间,在网络结构中引入反卷积来完成图像重建操作。实验结果表明本文方法在主观视觉上具有丰富的细节,获得了更好的主观视觉评价和客观量化评价,网络泛化能力好。

随着新能源的不断发展，大量大容量风电机组并入电网运行，给电网的安全可靠运行以及风力发电的可持续发展都提出了新的挑战。提出一种风功率预测模型，该模型以风电场风功率历史数据以及风速、风向等数值天气预报数据作为输入对风功率进行预测。考虑到风功率预测中输入数据的波动性和不确定性，在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN)，以提高模型对原始数据的特征提取和降维能力，并引入dropout技术减少模型中的过拟合现象。工程实例分析表明，所提模型在预测准确度和运算速度方面均优于长短记忆神经网络模型。