为提高人脸表情分类的识别率和实时性,提出一种基于卷积神经网络(CNN)局部特征融合的人脸表情识别方法。首先,构建CNN模型,学习眼睛、眉毛、嘴巴3个局部区域的局部特征;然后,将局部特征送入到支持向量机(SVM)多分类器中获取各类特征的后验概率;最后,通过粒子群寻优算法优化各特征的最优融合权值,实现正确率最优的决策级融合,完成表情分类。实验表明,本文方法在CK+和JAFFE数据库的平均识别率分别达到了94.56%和97.08%,与其他识别方法相比,本文方法性能优越,能提高算法的识别率和稳健性,同时保证了算法的实时性。

【图像识别】基于卷积神经网络(CNN)实现垃圾分类Matlab源码.zip

在进行遥感图像多分类识别时, 针对使用传统方法遇到的分类模型特征提取困难、分类精度不理想、分类种类少等问题, 研究了卷积神经网络(CNN)模型在高光谱遥感地物多分类识别中的可行性及不同CNN 模型对高光谱遥感地物多分类的识别效果。从ISPRS(International Society for Photogrammetry and Remote Sensing)提供的Vaihingen及Google Earth中采集数据,制作了包含6类地物的数据集一。在此基础上增加10类地物制作数据集二, 再增14类地物制作数据集三。在预处理图像数据之后, 通过设置神经网络结构、调整模型参数、对比神经网络模型等, 上述3类数据集的地物分类识别率均达到95%以上。通过分析不同CNN模型对高光谱遥感地物多分类识别效果的影响, 证实了CNN模型在高光谱遥感地物多分类识别应用的可行性且具有较高的识别率。实验结果为CNN模型在高光谱遥感地物多分类识别中的应用提供了一定的参考。

Deep Feature Extraction and Classification of Hyp全文翻译（带公式）

python基于卷积神经网络的手写数字识别pyqt5界面，参考链接：https://blog.csdn.net/babyai996/article/details/120819934

基于卷积神经网络和超像素模式的ABVS图像中的乳腺肿瘤自动检测

Deepvoice3_pytorch 基于卷积网络的文本到语音合成模型的PyTorch实现： ：深度语音3：通过卷积序列学习将文本转换为语音。 ：基于深度卷积网络并具有指导性注意力的高效可训练的文本语音转换系统。 音频示例可从。 民间 ：具有WORLD声码器支持的DeepVoice3。 在线TTS演示 可以在上执行的笔记本可用： 强调 卷积序列到序列模型，用于文本到语音合成 DeepVoice3的多扬声器和单扬声器版本 音频样本和预训练模型 用于 ， 和数据集以及兼容的自定义数据集（JSON格式） 取决于语言的英语和日语前端文本处理器 样品 预训练模型 注意：预训练的模型与母版不兼容。 即将更新。 网址 模型 数据 超参数 Git提交 脚步 深度语音3 LJSpeech 64万 Nyanko LJSpeech builder=nyanko,preset=nyanko_ljspeech 585k 多扬声器DeepVoice3 VCTK builder=deepvoice3_multispeaker,preset=deepvoice3_vctk 300k

基于卷积神经网络的图像识别-附件资源

近年来，面部识别技术已经成为模式识别领域中的热门话题。 人脸是人类最重要的生物特征之一，其中包含许多重要信息，例如身份，性别，年龄，表情，种族等。 年龄是身份歧视的重要参考，年龄估计可以潜在地应用于人机交互，计算机视觉和商业智能。 本文解决了准确估计人类年龄的问题。 年龄估计系统通常由年龄特征提取和特征分类组成。 在特征提取部分，Gabor小波和局部二值模式（LBP）等众所周知的纹理描述符已用于特征提取。 在我们的方法中，我们使用卷积神经网络（CNN）提取面部特征。 通过建立基于丰富训练数据的多级CNN模型来获得卷积激活特征。在特征分类部分，将不同年龄划分为13个组，并使用支持向量机（SVM）分类器进行分类。 实验结果表明，在使用我们的老化数据库时，该方法的性能优于以前的方法。

基于卷积神经网络的车辆识别设计与实现.pdf