基于实现小样本数据集下手势识别的目的，采用了深度卷积神经网络GoogLeNet模型以及PNN神经网络进行分类，同时结合了迁移学习的方法将深度学习模型进行迁移而构建所用模型。用公共数据集Keck Gesture进行实验，通过对数据集图像进行简单的图像预处理，使得图像特征更为明显，将预处理后的图像作为网络输入进行手势识别实验。经实验验证，该方法在该数据上平均准确率达到了99%以上，而且识别速度较快，达到了10帧/s，基本能满足实时性要求。

磁共振成像（MRI）是早期检测脑肿瘤的重要诊断技术，由于其形状，位置和图像强度不同，从MRI图像分类脑肿瘤是一项具有挑战性的研究工作。 为了成功分类，需要使用分割方法来分离肿瘤。 然后从分割的肿瘤中提取重要特征，以对肿瘤进行分类。 在这项工作中，开发了一种有效的多级分割方法，该方法结合了最佳阈值和分水岭分割技术，随后进行了形态学操作来分离肿瘤。 然后将卷积神经网络（CNN）用于特征提取，最后，将内核支持向量机（KSVM）用于结果分类，这通过我们的实验评估是合理的。 实验结果表明，该方法可以有效地将肿瘤分为癌性和非癌性，并具有一定的准确性。

提出了一种基于梅尔倒谱系数统计特征和卷积神经网络的电子变调语音检测算法。首先提取待测语音的梅尔倒谱系数及其差分系数，并将上述系数的统计特征进行有针对性的构造，作为卷积神经网络的输入。从卷积核尺寸、卷积核个数以及池化层尺寸等方面，对24种不同网络结构进行了测试评估，最终确定了可有效用于变调检测的卷积神经网络结构。实验结果表明，所提出的算法能够有效地检测出电子变调的痕迹，并可准确估计出电子变调语音经过的具体伪造操作，为电子变调语音的检测提供了一种新的方法。

资料说明：包括数据+代码+文档+代码讲解。 1.项目背景 2.数据获取 3.数据预处理 4.探索性数据分析 5.特征工程 6.构建模型 7.结论与展望

针对社交网络数据的文本情感分析，目前常用的研究方法主要是基于传统机器学习算法，根据手工标注好的情感词典，对文本信息使用朴素贝叶斯、支持向量机、最大熵方法等机器学习算法进行情感分析。为了避免对手工方式建立的情感词典的依赖，减少机器学习过程中的人工干预，提出基于卷积神经网络和注意力模型相结合的方法进行文本情感分析。实验表明，根据准确率、召回率和F1测度等衡量指标，提出的方法较传统的机器学习方法和单纯的卷积神经网络方法有明显的提高。

基于卷积神经网络的风格迁移，制造出带有艺术风格的字体

近年来, 卷积神经网络模型常常被用于文本情感分类的研究中, 但多数研究都会忽略文本特征词本身所携带的情感信息和中文文本分词时被错分的情况. 针对此问题, 提出一种融合情感特征的双通道卷积神经网络情感分类模型(Dual-channel Convolutional Neural Network sentiment classification model fused with Sentiment Feature, SFD-CNN). 该模型在构造输入时以一条通道构造融合情感特征的语义向量矩阵以获取到更多的情感类型信息, 以另一条通道构造文本字向量矩阵以降低分词错误的影响. 实验结果表明, SFD-CNN模型准确率高达92.94%, 要优于未改进的模型.

提出基于卷积神经网络的驾驶行为分析算法，该算法在人脸定位的基础上实现了驾驶员的疲劳检测和行为检测。针对疲劳检测任务，探究了卷积神经网络的不同感受野对疲劳检测精度的影响，并得到了疲劳检测模型的最佳结构。针对行为检测任务，考虑到不同行为对应作用域的大小不同，提出了一种基于多尺度特征的多支路注意力网络模型，该模型通过提取多尺度特征实现了多尺度分类，并且使用注意力机制来强化判别特征。实验结果证明，该方法能够与多种主流卷积神经网络模型相结合并有效提升驾驶行为分析的准确率。

生物式水质监测通常是先通过提取水生物在不同环境下的应激反应特征，再进行特征分类，从而识别水质。针对水质监测问题，提出一种使用卷积神经网 (CNN)的方法。鱼类运动轨迹是当前所有文献使用的多种水质分类特征的综合性表现，是生物式水质分类的重要依据。使用 Mask-ＲCNN 的图像分割方法，取鱼体的质心坐标，并绘制出一定时间段内鱼体的运动轨迹图像，制作正常与异常水质下两种轨迹图像数据集。融合 Inception-v3网络作为数据集的特征预处部分，重新建立卷积神经网络对 Inception-v3 网络提取的特征进行分类。通过设置多组平行实验，在不同的水质环境中对正常水质与异常水质进行分类。结果表明，卷积神经网络模型的水质识别率为 99. 38%，完全达到水质识别的要求。

基于卷积神经网络的人群计数研究.pdf