补一下档

由陆峰,刘华海,黄长缨,杨艳,谢禹,刘财喜等学者发表在计算机系统应用期刊上的文章

DeleRace（deep-learning-based data race detection）：首先使用工具 WALA 从多个实际应用程序中中提取指令、方法和文件级别中多个代码特征，对其向量化 并构造训练样本数据；；然后通过ConRacer 工具对真实数据竞争进行判定进而标记样本数据，并采用SMOTE 增强算法使正负数据样本分布均衡化；最后** 构建 CNN-LSTM 的深度神经网络 **，加以训练构建分类器，进而实现对数据竞争的检测。

基于深度学习的图像语义分割技术研究_贾喆姝

ArtLine：基于深度学习的项目，用于创建线条艺术肖像

此代码资源包为本人在 CSDN 上分享的博文：基于深度学习的中文车牌识别与管理系统（含UI界面，Python代码），网址：https://blog.csdn.net/qq_32892383/article/details/123088309中分享的完整代码和资源整合。 功能：在界面中既可以选择需要识别的车牌视频、图片文件、批量图片进行检测识别，也可以通过电脑自带的摄像头进行实时检测、识别、管理车牌，通过车牌记录查看历史识别的车牌。给出Python的实现代码以及PyQt的UI界面，系统界面清新美观，文中包含完整的代码文件及测试图片、视频，开箱即用，适合新手朋友学习参考。

基于深度学习雷达个体特征识别

中尺度涡是海洋中一种特殊的中尺度现象，对人类活动和海洋科学有着重要意义.海洋物理中对中尺度涡的检测通常依赖由专家预定义或调整的参数，无法保证准确度；或者对全部海洋数据逐点扫描判断，耗时较长.此外，中尺度涡的时空统计数据繁杂，整理和分析工作量巨大且无法较好展示相关信息.本文提出了一种基于深度学习目标检测的海洋中尺度涡检测算法，可达到较高的识别精确率和查全率，避免了阈值选取对中尺度涡检测的影响，大大提高了检测速度；并设计中尺度涡时空特征及海洋信息协同可视化系统，对中尺度涡进行交互式展示和分析，满足对涡旋的统计信息、特征分布和属性关联进行洞察、说明和相关性分析的需求.

一种基于深度学习的多源异构数据融合方法.pdf

本文提出了一种基于深度学习的安全带检测方法，尝试将近年来在图像检测方面有较好应用的深度学习方法来提高安全带检测的准确率。相比传统的安全带检测方法，深度学习的最大优势在于它可以自动的从样本数据中学习特征，最大限度的减少了人为的干预以及手工设计特征的复杂性。 本方法充分发挥深度学习端到端的特性，充分利用rcnn和yolo系列算法的优点，搭建深度学习中的卷积神经网络模型，并用卷积神经网络模型对样本图片进行训练得到用于安全带检测的模型，然后用该模型对待检测图片进行检测，判断出车辆司机是否佩带安全带。本文中利用Keras框架对整个训练和检测过程进行了实现，并对实验结果进行了分析，证明了该方法的有效性。