摘要：人工神经网络作为人工智能的分支，在模式识别、分类预测等方面已成功地解决了许多现代计算机难以解决的实际问题。然而随着人工智能的发展，神经网络的自主性特征学习

针对目前卷积神经网络的超分辨率算法存在卷积层数少、模型简单、计算量大、收敛速度慢以及图像纹理模糊等问题, 提出了一种基于深层残差网络的加速图像超分辨率重建方法, 该方法在提高图像分辨率的同时加快收敛速度。设计更深的卷积神经网络模型来提高精确度, 通过残差学习并且使用Adam优化方法使网络模型加速收敛。在原始低分辨率图像上直接进行特征映射, 只在网络的末端引入子像素卷积层, 将像素进行重新排列, 得到高分辨率图像。实验结果表明, 在set 5, set 14, BSD100测试集上, 所提算法的峰值信噪比与结构相似性指数均高于现有的几种算法, 能够恢复更多的图像细节, 图像边缘也更加完整且收敛速度更快。

一维卷积神经网络，cnn，回归预测，多输入，单输出，基于matlab，替换数据和特征个数即可，拿来直接使用。分为清空环境变量、导入数据、划分训练集和测试集、数据平铺、构造网络结构、参数设置、训练模型、均方根误差、绘制网络分析图、绘图、相关指标计算等几个模块，各个模块均标有备注，直接替换数据即可使用，用于新手学习深度学习算法非常好

为了进一步提高点云图像船舶分类方法的分类准确率,提出了一种基于三维卷积神经网络(3D CNN)的点云图像船舶分类方法。首先采用密度网格方法将点云图像转为体素网格图像,将体素网格图像作为3D CNN的输入对象;接着通过设计的6层3D CNN提取体素网格图像的高水平特征,捕捉结构信息;最后在输出层利用Softmax函数进行分类,得到最终的分类结果。实验结果表明,在自建的点云图像船舶数据集上,所提方法的分类准确率达到了96.14%,比3D ShapeNets方法和VoxNet方法分别提高了5.97%和2.46%。在悉尼城市目标数据集上,与现有一些方法相比,所提方法的分类准确率较高。这些结果均证明所提方法具有良好的分类性能。

一种基于三维卷积神经网络的视网膜OCT图.PDF，专利，一种基于三维卷积神经网络的视网膜OCT图.PDF，专利

实现去雾算法，发现其中的问题，并对算法进行改进。 我首先实现了基于暗原色先验的去雾算法，并从运算速度和去雾效果方面进行了一定的改进。 之后，我训练了 AOD 卷积网络来进行图像去雾，并对数据集图片做一定的处理，增加了网络的鲁棒性，去雾效果也很不错。暗原色先验的去雾算法使用 MATLAB 实现，使用 MATLAB 的 GUI 设计了用户界面；AOD 卷积网络使用 Python 实现，使用 pyqt 设计了用户界面。

交通标志识别 在这个项目中，我使用卷积神经网络对交通标志进行分类。 具体来说，我训练了一个模型，用于根据“德国交通标志对交通标志进行分类。 我使用TensorFlow进行模型开发，并在GPU上对其进行了训练。 分几个步骤： 加载数据集 探索，总结和可视化数据集 设计，训练和测试模型架构 使用模型对新图像进行预测 分析新图像的softmax概率 完整的项目代码可以在找到 数据集摘要与探索 1.数据集的基本摘要。 此步骤的代码包含在的3d code cell中 我使用了pandas库来计算交通标志数据集的摘要统计信息： 训练示例数= 34799 测试例数= 12630 图像数据形状=（32，32，3） 班级数量= 43 2.数据集的探索性可视化。 该步骤的代码包含在的5th code cell中。 这是数据集的探索性可视化。 它是显示数据分布方式的条形图。 我们看到分布不均。

天气状况识别对交通运输安全、环境、气象等领域有重要意义。在各种产业向智能化转型的技术背景下，基于人工智能技术研究一种高效的天气自动识别方法，不仅能解决传统天气判别准确率低的问题，还能实现天气判别的实时性，有效地提高应对各种天气状况的处理能力。卷积神经网络（Convolutional Neural Network，简称CNN）是深度学习中的一种重要网络结构，它通过引入卷积层，池化层以及较深的网络层数，实现对图像高层语义特征的感知，提升图像分类效果。本文基于卷积神经网络架构，针对传统天气识别方法较难判断的可见光图像天气状况（多云、雨天、晴天、日出）。

目前解释得比较清晰的一篇文章，对深度学习，卷积神经网络原理有帮助

本文对2019年10月更新的CNN综述文章《A Survey of the Recent Architectures of Deep Convolutional Neural Networks》进行了翻译，对大家全面了解CNN架构进展有所帮助。