回顾近年 来国 内外植物 叶片分类的研 究进展 ，指 出传 统方法存在 的缺 陷。 简述卷积 神经 网络在 图像分 类的优 势 ，为 了简单高效地对植物叶片进行识别 ，提 出一种基 于卷积神 经 网络(Convolutional Neural N etw ork ， CN N ) 的植物 叶片识别方法。 在 Sw edish 叶片数 据集上的实验结果表明 ，本算 法识 别正确 率高达 99 ．56％ ，显著优 于传统 的叶片识 别算法。

采用一维CNN神经网络算法，对西储大学轴承数据集分为10中故障类型进行故障识别，最终准确率很高；同时算法结构灵活，可以自定制网络及优化器，满足多张故障数据集。

海上石油平台监控环境复杂，采油工作平台摄像头监控角度不同，海上环境复杂多变，雨雾等天气下，摄像头图片模糊不清.针对上述增加了目标检测的难度的问题，提出了一种基于卷积神经网络的复杂场景目标检测算法（简称ODCS）来检测图像中的特定对象.该方法结合不同分辨率的特征图预测来自然处理各种尺寸的对象，消除了特征重新采样阶段，并将所有计算封装在单个网络中，这样易于训练且可以直接集成到需要检测组件的系统中.实验结果表明，相对于传统的方法，该方法检测在准确率和召回率上明显提高，且检测效率能够满足实时应用的要求.

基于卷积神经网络（CNN）的肺结节自动检测的深度学习模型

【手写数字识别】基于卷积神经网络CNN实现手写数字识别分类matlab源码

Android基于卷积神经网络的数字手势识别安卓APP，识别数字手势0-10 Android studio编译，项目有源码和apk，参考链接：https://blog.csdn.net/babyai996/article/details/121196044

基于实现多光谱图像的多标签场景分类为目的，采用卷积神经网络的方法，通过计算数据集中所有样本标签的共现矩阵，利用共现矩阵为每个标签分配不同的权重，提出了一种新的计算损失函数的方法。所设计的卷积神经网络能够充分利用除了红绿蓝三通道之外的光谱信息，同时也能够利用已有的预训练的卷积神经网络权重进行参数的初始化，使得网络能够快速收敛。所提出的算法在Planet Amazon数据集上取得了最高的F值，从而得出了该算法具有高准确率和高可行性的结论。

【预测模型】基于卷积神经网络CNN实现预测单输入单输出预测模型matlab源码.zip

图像着色的目标是为灰度图像的每一个像素分配颜色，它是图像处理领域的热点问题。以U-Net为主线网络，结合深度学习和卷积神经网络设计了一个全自动的着色网络模型。在该模型中，支线使用卷积神经网络SE-Inception-ResNet-v2作为高水平的特征提取器，提取图像的全局信息，同时在网络中使用PoLU(Power Linear Unit)函数替代线性整流函数(ReLU)。实验结果证明此着色网络模型能够对灰度图像进行有效的着色。