《解卷积的多重信号分类算法方位谱低背景处理方法》文章代码复现 摘要：针对信比较低时，多重信号分类(Multiple Signal Classihication, MUSIC)算法方位谱背景级较高的问题，提出了一种解卷积的 MUSIC 方位估计算法(Deonvolved MUSIC D-MUSIC)该方法用一个类似冲激函数作为 MUSIC 算法输出方位的点散射函数 (Point cattering Function,PSF)然后基于解券图像复原理，利用该点散射丽数和 RichardsonLucy(R-L) 送代算法对 MUSIC 算法的方位谱进行解卷，得 D-MUSIC 算法的方位谱，达到降低方位谱背景级的目的仿真表明，该方法继承了 MUSIC 算法的高分生能，且可以明显降低方位的背景级，具有较好的方位估计性能，对南海上试验的水平阵数据进行处理，分析比较了利用 MUSIC 算法和解卷积 MUSIC 算法获得的方位谐时间历程图，分析结果有效验证了 D-MUSIC 算法性能的优越性

混凝土结构在施工与使用的过程中易产生各种形式的裂缝,由此会产生诸多安全问题。传统的人工安全检测方法,不仅耗费财力和时间,而且无法保障其检测精度。为了提高混凝土表面裂缝的识别效率,提出了一种基于卷积神经网络结合聚类分割的识别方法,实现了对较复杂背景下混凝土表面裂缝图像的准确识别。研究结果显示,该方法不仅能够高效地分类,还能够高精度地对较复杂背景下的裂缝进行识别,这为降低混凝土表面裂缝识别的工作量、维护混凝土结构,对其进行安全检测提供了理论依据,同时也为以后更高精度和更复杂条件下的裂缝识别研究提供了一些参考。

本文来自csdn，文章先来卷积神经网络和全连接神经网络对比，接着让我们直观理解卷积，卷积计算流程，结合案例进行相关的介绍。卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。 它包括卷积层(convolutionallayer)和池化层(poolinglayer)。对比：卷积神经网络、全连接神经网络左图：全连接神经网络（平

5-机器学习系列（5）：卷积神经网络CNN之--原理及python实现1

一种基于新型卷积胶囊网络的交通标志识别方法，张玉鑫，刘畅，交通标志识别是自动驾驶技术中的一个研究热点，也是保证自动驾驶安全的重要保障。由于道路交通标志的背景复杂，颜色失真严重并存

Javascript中的深度学习，实现在浏览器中训练卷积神经网络

参考： CNN系列模型发展简述（附github代码——已全部跑通） – KevinCK的文章 – 知乎 https://zhuanlan.zhihu.com/p/66215918 演变 LeNet：2个卷积3个全连接，最早用于数字识别 AlexNet：12年ImageNet冠军，5个卷积3个全连接，多个小卷积代替单一大卷积；使用ReLU激活函数，解决梯度小数问题；引入dropout避免模型过拟合；最大池化。 ZF-Net：13年ImageNet冠军，只用了一块 GPU 的稠密连接结构；将AlexNet第一层卷积核由11变成7，步长由4变为2。 VGG-Nets：14年ImageNet分类第二名

使用深度卷积网络的语义感知图像压缩 该代码是论文一部分，论文摘要在本页底部提供。 它包括三个部分： 生成感兴趣的多结构区域（MSROI）的代码（使用CNN模型。已提供了预训练的模型） 使用MSROI映射在语义上将图像压缩为JPEG的代码 训练CNN模型的代码（供1使用） 要求： 张量流 脾气暴躁的 大熊猫 Python PIL Python SKimage 有关详细的要求列表，请参阅requirements.txt 推荐： Imagemagick（用于更快的图像操作） VQMT（用于获取指标以比较图像） 目录 如何使用此代码？ 生成地图 ``` python generate_map.py ``` 在“输出”目录中生成地图和覆盖文件。 如果收到此错误 ``` InvalidArgumentError (see above for traceb

针对以人为中心的井下视频监控模式存在持续时间受限、多场景同时监视困难、人工监视结果处理不及时等问题,提出了基于深度卷积神经网络的井下人员目标检测方法。首先将输入图片缩放为固定尺寸,通过深度卷积神经网络操作后形成特征图;然后,通过区域建议网络在特征图上形成建议区域,并将建议区域池化为统一大小,送入全连接层进行运算;最后,根据概率分数高低选择最好的建议区域,自动生成需要的目标检测框。测试结果表明,该方法可以成功检测出矿井工作人员的头部目标,准确率达到87.6%。

卷积生成对抗网络之人脸识别（详细步骤讲解+注释版） 注释见代码内，讲解见本人博客