基于卷积神经网络的图像识别，资料包含一些参考文献及matlab仿真程序，仅供参考。

针对现有室内定位技术存在的问题，文中提出一种精度高、成本低且易用性高的室内定位系统。系统采集并处理监控摄像头中的视频信号，用计算机视觉算法从视频流中提取并追踪行人的位置信息，通过基于卷积神经网络的物体追踪算法处理遮挡状况。通过智能手机内嵌传感器采集的运动特征并与心中的行人特征对比，系统可以在视频画面内的诸多行人中准确识别出持有智能手机的定位服务发起者，并报告实时的定位信息，定位平均误差可达到三十厘米以下。

jpeg压缩的matlab代码ComCNN-RecCNN 论文代码“基于卷积神经网络的端到端压缩框架”。 中华网 框架 要求 Windows10的 Matlab R2015b MatconvNet 1.0-beta23（） CUDA 8.0（CPU正常） 怎么跑 训练 我们在文件夹ComCNN/RecCNN_model和RecCNN\data\model提供了RecCNN和ComCNN的ComCNN/RecCNN_model RecCNN\data\model 。 生成RecCNN模型的训练数据（使用预先训练的ComCNN或新建的ComCNN模型）。 训练RecCNN模型，并将生成的RecCNN模型复制到ComCNN/RecCNN_model 生成ComCNN模型的训练数据。 训练ComCNN模型（在训练过程中使用新产生的RecCNN模型），并将产生的ComCNN模型复制到RecCNN\data\model 。 重复上述四个步骤几次，直到模型稳定为止。 测验 通过培训阶段，获得了新生成的ComCNN和RecCNN模型。 执行ComCNN ComCNN/Demo_Test_Qp_30.m

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

本项目是一个完整的深度学习实践，课题是人脸表情识别，使用到的模型是卷积神经网络，难度在简单——中等级别，方便初学者入门。在这里，面部表情识别相当于一个分类问题，共有7个类别。其中label包括7种类型表情。源代码方便大家开箱即用，学习参考！ 动手完成这个项目之后，可以学习到： 1. 深度学习中CNN（卷积神经网络）的使用，为之后学习相关神经网络模型做了很好的铺垫。 2. 学会使用深度学习框架之一Pytorch的使用。 3. 多分类问题在实际中的应用，是二分类的扩展。 4. 从数据处理，可视化，到模型搭建的过程，是一种经验和技巧的积累，达到“举一反三”的效果。

【图像识别】基于卷积神经网络(CNN)实现垃圾分类Matlab源码

很不错的最新介绍深度学习的文献，仅供大家参考，希望更多的深学爱好者上传分享，谢谢！

针对现有的基于卷积神经网络的图像超分辨率算法参数较多、计算量较大、训练时间较长、图像纹理模糊等问题, 结合现有的图像分类网络模型和视觉识别算法对其提出了改进。在原有的三层卷积神经网络中, 调整卷积核大小, 减少参数; 加入池化层, 降低维度, 减少计算复杂度; 提高学习率和输入子块的尺寸, 减少训练消耗的时间; 扩大图像训练库, 使训练库提供的特征更加广泛和全面。实验结果表明, 改进算法生成的网络模型取得了更佳的超分辨率结果, 主观视觉效果和客观评价指标明显改善, 图像清晰度和边缘锐度明显提高。

提出了一种基于卷积神经网络和长短期记忆（LSTM）神经网络的深度学习网络结构。采用特征融合的方法，通过卷积网络提取出浅层特征与深层特征并进行联接，对特征通过卷积进行融合，将获得的矢量信息输入LSTM单元。分别使用数据光流信息与红绿蓝信息训练网络，将各网络的结果进行加权融合。实验结果表明，所提模型有效地提高了行为识别精度。

基于卷积神经网络的未知流量分类策略，陈晔欣，黎淑兰，为了提高网络流量分类的准确性及健壮性，本文设计了基于卷积神经网络的网络流量分类系统，并在此基础上针对混合流量中存在未知类