采用matlab写的GPU版本卷积神经网络，使用了maxpooling等技术，matlab版本2013a.

该项目是使用卷积神经网络进行检测森林火灾。 该数据集包含三类图像：“火”、“不火”、“开始火”，总共约 6000 张图像。 该模型可用于从森林的监控录像中检测火灾或火灾的开始或者未发生火灾。 该模型可以实时应用于低帧率监控视频（火灾移动速度不是很快的监控视频），并在发生火灾时发出警报。

内容概要：本人在学习B站刘二大人Pytorch实践课程时，做的一些学习笔记。包含课程要点、教学源码以及课后作业和作业源码。 目录： 第一讲 概述 第二讲 线性模型创建 第三讲 梯度下降算法 第四讲 反向传播机制 第五讲 用pytorch实现线性回归 第六讲 逻辑斯蒂回归模型 第七讲 处理多维特征的输入 第八讲 加载数据集 第九讲 多分类问题--softmax classifier 第十讲 卷积神经网络（基础篇） 第十一讲 卷积神经网络（高级篇） 学完刘二大人的课程和此学习笔记，你就可以看懂大部分网络结构，并且复现出一些经典网络，比如残差网络ResNet、密集连接网络DenseNet和GoogleLeNet中Inception模块等等。收获良多。

为解决单幅图像中的人群遮挡和尺度变化问题，提出一种基于多列卷积神经网络的人群计数算法。利用具有不同尺寸感受野的卷积神经网络（CNN）和特征注意力模块自适应提取多尺度人群特征，引入可变形卷积增强CNN网络空间几何形变学习能力并优化特征图，从而生成高质量的密度图。 Shanghai tech和UCF_CC_50数据集上的实验结果表明，该算法能学习输入图和人群密度图之间的映射关系，且计数准确性高、鲁棒性强。

关于卷积神经网络在计算机视觉方面的应用。介绍了卷积神经网络的结构，算法设计。内容深入浅出，是入门学习很好的资料。

在这项工作中，提出了一种用于裂纹检测的深度监督网络。在该网络中，DeepLab被用作密集特征提取器，以获得多尺度卷积特征。采用了一种新的多尺度特征融合模块。 该模块背后的主要动机是解决U形结构中具有语义信息的深层特征在逐层融合过程中被稀释的问题。深度监督学习用于多尺度特征的集成直接监督。此外，采用加权交叉熵损失函数来解决路面裂缝数据的样本不平衡问题。为了进行性能评估，我们分别在三个公共裂缝数据集上进行了实验。实验结果表明，我们的方法优于最先进的裂纹检测方法。

介绍卷积神经网络（CNN），方便读者大体上了解其基本原理及实现过程，便于后续工作中的实际应用。本文将按以下顺序展开：1.了解卷积操作2.了解神经网络3.数据预处

针对单目深度估计网络庞大的参数量和计算量，提出一种轻量金字塔解码结构的单目深度估计网络，可以在保证估计精度的情况下降低网络模型的复杂度、减少运算时间。该网络基于编解码结构，以端到端的方式估计单目图像的深度图。编码端使用ResNet50网络结构；在解码端提出了一种轻量金字塔解码模块，采用深度空洞可分离卷积和分组卷积以提升感受野范围，同时减少了参数量，并且采用金字塔结构融合不同感受野下的特征图以提升解码模块的性能；此外，在解码模块之间增加跳跃连接实现知识共享，以提升网络的估计精度。在NYUD v2数据集上的实验结果表明，与结构注意力引导网络相比，轻量金字塔解码结构的单目深度估计网络在误差RMS的指标上降低约11.0%，计算效率提升约84.6%。

卷积神经网络的原理及代码实现与典型神经网络LeNet-5、AlexNet、VGGNet、ResNets的原理

初学卷积神经网络