python编程，深度学习，卷积神经网络，myo

图像分类的性能在很大程度上取决于特征提取的质量。卷积神经网络能够同时学习特定的特征和分类器，并在每个步骤中进行实时调整，以更好地适应每个问题的需求。本文提出模型能够从遥感图像中学习特定特征，并对其进行分类。使用UCM数据集对inception-v3模型与VGG-16模型进行遥感图像分类，实验结果表明，本文提出的模型在训练时间和分类准确率上都优于现有算法。

基于卷积神经网络的SAR图像目标识别研究

基于卷积神经网络多层特征融合和稀疏表示的表情识别，孙悦，杨勇，卷积神经网络浅层特征含有很多图像细节信息，深层特征含有更多抽象特征，为了充分利用不同层次特征的细节信息和抽象信息，将浅层

为了实现在复杂环境下具有较高准确率的交通标志识别以及在小样本情况下也能良好工作的识别网络，提出一种基于卷积神经网络和多类SVM的交通标志识别模型。此模型不需人工设计特征提取算法，且在小样本训练集上也能训练出具有较高准确率的分类模型。除此之外，利用迁移学习策略，避免重新初始化卷积神经网络，在节省大量样本与训练时间的同时能有效避免过拟合的发生。实验结果表明，提出的分类模型在小样本训练集上进行训练后得到的模型在实际测试中有较好的表现且对处于复杂背景下和严重畸变的交通标志具有可靠的识别能力和良好分类结果。

参照经典的卷积神经网络模型 Ｌｅｎｅｔ－５的结构，提出一种适用于该数据集的CNN结构

中文 | Chinese-number-gestures-recognition Chinese number gestures recognition app（数字手势识别APP，识别0-10） 基于卷积神经网络的数字手势识别APP（安卓） 1、项目简介 这是一个基于卷积神经网络的数字手势识别APP（安卓），主要功能为：通过手机摄像头识别做出的数字手势，能够识别数字0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 对应的手势。 Chinese-number-gestures-recognition项目下包含两块代码：1. DigitalGestureRecognition为安卓APP代码；2. digital_gesture_recognition为PC端处理数据及训练模型代码，编程语言为python。 开发环境： PC端：python3.6, TensorFlow-gp

这项研究工作部署了一种很有前景的方法来识别手写英文字母和神经数字。 在这项研究工作中，分析和研究了基于深度神经网络的卷积神经网络模型在 MNIST 数据集上的性能。 该标准化数据集包括手写文本，包括数字和字母。 在各种实验中，CNN 的参数在多个实例中配置，以分析其在不同环境下的性能。 虽然主要配置集包括误差函数、激活函数、隐藏层数、时期数、各种优化技术以解决凸和非凸可优化目标函数。 实验结果证明了其与现有艺术相当的有前途的价值。 所讨论模式的结论性能在具有交叉熵误差函数的 sigmoid 激活函数下达到了 99.65 的最高分类率，并且首先将性能延迟评估为不同隐藏层数的度量。

CNN_Faces_Recognition 基于卷积神经网络的人脸在线识别系统，本系统研究基于神经网络模型的人脸检测与识别技术，系统将由以下几个部分构成：制作人脸数据集，CNN神经网络模型训练，人脸检测，人脸识别。经过实验，确定该系统可对本人的人脸进行快速并准确的检测与识别。 关键词：神经网络；图像处理；人脸检测；人脸识别； TensorFlow；模型训练 本系统使用人脸数据集下载： : 详情博客： : 详情见微信公众号：AI大道理

基于卷积神经网络(CNN)的VGG-19(Visual Geometry Group)模型,研究了卷积神经网络对输入纹理进行卷积时,输入纹理特征图的边缘信息对生成自然纹理效果的影响。在使用卷积神经网络的VGG对输入图像进行卷积时,为了防止过拟合现象,采用平均池化的方式对特征图进行处理,在一定程度上保护了特征图的边缘信息,相对采用最大池化处理特征图取得了更好的生成效果。同时,提取各层特征图的边缘信息并将其叠加到特征图中,能很好地保留纹理图像的边缘结构信息。实验结果表明,改进后的方法能取得较为理想的纹理生成效果。