1.CNN基础结构 2.卷积操作细节讲解 3.图像基础知识 4.池化操作 可以不可以模仿人类大脑的这个特点，构造多层的神经网络，较低层的识别初级的图像特征，若干底层特征组成更上一层特征，最终通过多个层级的组合，最终在顶层做出分类呢？ 答案是肯定的，这也是许多深度学习算法（包括CNN）的灵感来源

天文导航是以已知准确空间位置、不可毁灭的自然天体为基准，被动探测天体位置，经解算确定测量点所在平台的经度、纬度、航向和姿态等信息。其中以通过对恒星成像进行光电转换获取星点信息进行姿态确定的星敏感器应用最为广泛，他主要包括两个部分：星点提取和星点识别，本文主要关注前者。除了成像器件本身的噪声缺陷，由于空间辐射会导致星敏感器拍摄星图背景灰度均值增大, 背景起伏明显, 另一方面星敏感器探测的是微弱的恒星星光,对杂散光非常敏感,,主要的杂散光源为日光、月光和地气光等杂散辐射源,主要呈现为斜坡噪声。 传统的几何方法主要需要针对某一种情况下的某种应用，当成像器件、光学环境和空间环境等发生变化时，相应的方法也会发生改变。使用全卷积神经网络可在不改变网络结构的情况下，通过更改训练样本，灵活实现星点提取。具体到本文，主要解决三个方面的问题：1不同背景均值下的提取，2散点噪声下的提取，3斜坡噪声下的提取。

这是一个基于CNN卷积神经网络的天气识别案例分享，可以运行实现~，同时里面包含对应的数据集。

这是一个基于VGG网络架构的cat and dog分类实战的小项目，里面包含所有源代码，同时也含有对应的用到的数据集。模型已经经过优化，同时含有部分注释便于理解，欢迎下载交流。

这是一个基于CNN的天气识别案例分享，除了包含源代码之外，同时包含对应的数据集（多种天气状况都有），欢迎大家下载交流。

这是一个 基于深度学习的卷积神经网络的四种动物识别案例分享（含数据集）。数据集含有上千张 四种动物 的图片。欢迎大家下载。

本资源源项目为PlotNeuralNet，我在使用源代码过程中遇到了一些问题，并且出于自己的需求进行了一些改进，修改后的代码可以在Windows系统下成功运行，可以绘制非正方形的网络结构图，且在我看来绘制结果更加美观。 资源适用于对展示卷积神经网络具体结构有需求的研究人员，用户在下载本项目后按照README官方教程中的Getting Started部分进行使用，简单学习过语法后便可以通过test_simple.py代码绘制自己的卷积神经网络结构并在同路径下生成PDF文件，官方还提供了LeNet, UNet等经典卷积神经网络的代码，用户可直接进行使用。

深度学习+CNN卷积神经网络+剪刀石头布手势识别 我的博客卷积神经网络之剪刀石头布手势识别所用到的数据集 包含训练样本集rps.zip 和 测试样本集rps-test-set.zip 有需要的朋友自取！！！

用卷积滤波器matlab代码DBSRCNN 对超分辨率卷积神经网络进行去模糊处理。 DBSRCNN网络 DBSRCNN-Keras 此代码用于处理模糊的低分辨率图像，以获得去模糊的高残留图像。 如果此代码对您有帮助，请引用本文：使用深度卷积神经网络进行图像去模糊和超分辨率，F.Albluwi，V.Krylov和R.Dahyot，IEEE信号处理机器学习国际研讨会（MLSP 2018） ，2018年9月，丹麦奥尔堡，丹麦。 依存关系 的Python 3.6.5 TensorFlow 1.1.0。 Keras 2.2.2。 Matlab。 Matconvnet。 产生资料 通过高斯滤波器（imgaussfilt）在不同级别（sigma = 1、2、3和4）上模糊图像。 使用放大系数= 3使用“双三次”功能调整图像大小，最近发表的论文通常使用Matlab生成低分辨率图像。 与SRCNN网络进行公平比较； 使用了训练集Yang91。 训练 使用matlab生成训练补丁：运行generate_train.m和generate_test.m。 使用带有TensorFlow（tf）的Keras作为后

captchas_extract_recongnize 4位字母数字混合的验证码识别（可以扩展识别位数）