点云配准是三维点云信息处理中的重要问题。传统点云配准方法计算量大，不利于实时计算与移动计算。针对传统点云配准方法存在的问题，提出了一种利用卷积神经网络进行点云配准的方法。首先计算点云的深度图像，利用卷积神经网络提取深度图像对的特征差，将深度图像对的特征差作为全连接网络的输入并计算点云配准参数，迭代地执行上述操作直至配准误差小于可接受阈值。实验结果表明，相比传统的点云配准方法，基于卷积神经网络的点云配准方法具有所需计算量小、配准效率高、对噪声点和异常点不敏感的优点。

智能冰箱物体识别主要涉及对水果和蔬菜的识别，冰箱中果蔬数量繁多，光照不均，环境复杂，对此提出了一种用于处理该类识别问题的卷积神经网络。网络采用ReLU作为激活函数，它比传统的Sigmoid函数具有更强的稀疏能力和更大的梯度值，能够极大地加速网络收敛。隐含层中引入随机Dropout，使得某些节点不工作，减少节点间的“共同适应”，降低网络对某一局部特征的过拟合，可减少网络计算复杂度并有效提升识别率。网络采用带动量项的基于梯度下降的反向传播算法，避免网络陷入局部极小值，提高识别率。最后通过用Supermarket Produce Dataset数据集模拟冰箱果蔬图像进行实验，验证了本文方法的有效性。

行业分类-电信-一种基于卷积神经网络的P300脑电信号检测方法.rar

CNN :Convolutional Neural Networks (卷积神经网络 ) 环境准备 Python版本：Python 3.6.8 PyTorch版本：PyTorch1.1.0 RDKit版本：RDKit 2020.03.1 基于卷积神经网络（CNN）预测分子特性 导入库 from rdkit import Chem from rdkit.Chem.Crippen import MolLogP import numpy as np import torch import time 载入数据 maxlen = 64 with open('smiles.txt') as f:

传统的高压断路器故障诊断方法太过于依赖经验，不能准确地反映特征量和故障模式之间的关系，诊断准确度不高。针对这个问题，采用卷积神经网络算法进行高压断路器故障诊断，结合高压断路器分合闸线圈电流特点建立诊断模型，通过输入零点故障特征参数进行学习训练，得到相应故障类型输出。仿真结果表明，所提算法的整体准确率高达93.68%，与其他基于神经网络的算法相比具有很大的优势。

【Tensorflow】人脸128个关键点识别基于卷积神经网络实现 【Tensorflow】人脸128个关键点识别基于卷积神经网络实现

基于卷积神经网络的语音活动检测器 该GitHub存储库是以下论文的代码伴奏： 用于实时语音活动检测的卷积神经网络智能手机应用程序Abhishek Sehgal和Nasser Kehtarnavaz-达拉斯德克萨斯大学 摘要：本文提出了一种智能手机应用程序，该应用程序基于卷积神经网络执行实时语音活动检测。 讨论了实时实现问题，这些问题显示了如何解决与卷积神经网络相关的缓慢推理时间。 开发的智能手机应用旨在充当助听器信号处理管道中降噪的开关，从而能够在嘈杂的语音信号的仅噪声部分进行噪声估计或分类。 将开发的智能手机应用程序与以前开发的语音活动检测应用程序以及两种被引用率很高的语音活动检测算法进行比较。 实验结果表明，使用卷积神经网络开发的应用程序优于以前开发的智能手机应用程序。 资源 可通过以下链接获得与该工作有关的支持材料： 关联 描述 IEEE访问手稿 在Android和iOS智

本课题立足机械手自主抓取，研究利用卷积神经网络实现物体表面抓取点生成的解决方案。本课题以场景的深度图像作为输入信息，采取 “先采样，后预测”的两步走抓取生成方案。首先利用 Laplace 方法在深度图像中提取物体边缘像素点，并利用对跖法生成抓取空间；然后基于重要性采样方法从抓取空间中采样获得候选抓取集，最后利用训练好的抓取预测卷积神经网络模型预测候选集每个抓取的成功置信度，取其中极大者作为结果指导机器人完成抓取。 为将卷积神经网络应用于抓取预测，本课题建立了基于卷积神经网络的抓取预测模型。将抓取预测问题抽象为深度学习中的分类问题，网络输出为某抓取点属于成功抓取的置信度。本课题定义一组抓取为

#资源达人分享计划#

#资源达人分享计划#