针对多光谱图像的空谱相关特性,提出一种基于卷积神经网络的端到端多光谱图像压缩方法。编码端,将多光谱数据整体输入到多光谱图像压缩网络中,采用卷积提取多光谱图像的主要光谱特征与空间特征,使用下采样减小特征数据的尺寸,并通过率失真优化控制光谱特征与空间特征数据的熵,使空谱特征数据分布更加紧凑,将量化后的中间特征数据进行无损熵编码得到压缩码流。解码端,码流经过熵解码、逆量化、上采样、反卷积的逆变换过程重构多光谱图像。实验结果表明,相同码率下该方法能有效保留多光谱图像谱间信息,并在图像恢复质量上比JPEG2000平均高约2 dB。

人流密度估计作为一种有效的人群监测、控制和行为理解方法，得到了广泛的应用和研究。但传统估计方法使用的手工特征提取图像特征单一、准确度较低，容易造成密集场景人流估计不准确。为此，文中提出了一种基于深度的卷积神经网络（CNN）人群密度估计方法，利用典型的深层网络Googlenet 和VGGnet进行了方法改进。通过采用一个包括18个拥挤景区密集场景、超过160 K密度的注释图像数据集进行的实验测试结果表明，该方法的平均准确率为92.46%，与GLCM-SVM方法进行对比的结果也充分证明了该方法的优越性。

基于卷积神经网络的雷达干扰检测识别方法.pdf

本人的《十九个小项目》中18 深度学习案例——基于卷积神经网络的手写体识别，所需要训练和验证的数据集。非常适合初学者

首先，采用张正友标定法对四路鱼眼相机进行标定，利用基于鱼眼标定的畸变矫正 模型对鱼眼图进行畸变矫正。实验结果表明，标定参数准确，畸变矫正效果良好；研究像素坐标系与车辆坐标系之间的转换关系，实现基于坐标转换的单目相机平面测距，测距误差在 5cm 以内，达到自动泊车系统要求。 针对空停车位检测任务，设计适用于空停车位检测任务的深度卷积神经网络并构建 空停车位数据集，该数据集由 16000 张 RGB 彩色鱼眼图像组成，包括空停车位、T 型车位角、L 型车位角三种类别，并进行人工标注。在空停车位数据集上训练空停车位检测模型，并在测试集中进行检测实验。实验结果表明，空停车位检测模型检测的准确率为 98.7%，漏检率为 0.9%，单张图片的检测速度为 19ms，模型具有良好的检测效果。 针对车位角中心点定位任务，基于对单个像素点进行回归的思想，提出用于车位角 中心点定位的浅层卷积神经网络，并制作车位角中心点数据集。车位角中心点数据集包括 10000 张彩色图片，并进行人工标注。在车位角中心点数据集上训练车位角中心点检测模型，并进行检测定位实验。实验结果表明，对数平均漏检率为 0.40%，单张图片检测速度为 18ms，车位角中心点定位误差在 2.5cm 以内，相对传统的检测方法，车位角中心点检测模型具有更高的检测和定位精度及更快的检测速度。 最后将鱼眼图畸变矫正、基于坐标转换的平面测距、空停车位检测模型以及车位角 中心点检测模型四个模块融合，提出自动泊车空停车位检测和定位算法，并在实车上开展实验。实验结果验证了自动泊车空停车位检测和定位算法的正确性和可行性。在实车自动泊车过程中，算法可实时地准确检测和定位空停车位，且可以检测和定位不同路面下的停车位，具有很强的泛化能力。

自行建立的数据集主要是为了进行现场人脸的收集，这种方式与机场中人脸数据收集的情况非常的相似，准备了400对正样本、400对负样本，进行实验。 在这种情况下，得到的图像的相似程度，就是输入的数据，之后，将其进行排列，进行数值的预测，最终得到TPR、FPR概率值。文件要直接放在D盘下保存，在matlab2014a运行完全正确。

环境描述     操作系统：windows10     开发语言：python3.7.6     深度学习后端：tensorflow2.1.0     深度学习前端：keras（ts内嵌的keras）     显卡：GTX1050TI（安装cuda）     一、准备数据     从百度或谷歌上搜火、火焰、火灾等图片，建立两个文件夹（因为是二分类问题，有火or无火）fire和nofire。效果如下：     截图的文件夹分为conv和不带conv的文件夹，其实是火和无火的图片是经过多次添加的，因为训练数据的过程中会发现某些图片识别效果不是很好，所以得在训练样本中增加特定的图片（比如初次训练的

随着计算机技术的发展，融合计算机视觉、机器学习、深度学习等技术的火灾图像处理技术得到了广泛的研究和应用。针对传统图像处理方法预处理过程复杂且误报率高等问题，提出一种基于深度卷积神经网络模型进行火灾检测的方法，其减少了复杂的预处理环节，将整个火灾识别过程整合成一个单深度神经网络，便于训练与优化。针对识别过程中类似火灾场景对火灾检测产生干扰的问题，利用火灾的运动特性，创新性地提出利用火灾视频前后帧火灾坐标位置变化来排除灯光等类似火灾场景对检测的干扰。对比了众多深度学习开源框架后，选择Caffe框架进行训练及测试，实验结果表明，该方法实现了对火灾图像的识别和定位，适应于不同的火灾场景，具有很好的泛化能力和抗干扰能力。

由高压电缆不同类型缺陷诱发的局部放电(PD)的识别难度较大，尤其是某些相似度较高的电缆绝缘缺陷类型难以区分。提出了一种基于卷积神经网络(CNN)的高压电缆PD模式识别方法，研究了不同网络层数、不同激活函数以及不同池化方式对识别效果的影响，并与传统的支持向量机(SVM)和反向传播神经网络(BPNN)算法进行了对比。结果表明，相比SVM和BPNN, CNN的总体识别精度分别提高了3.71%和4.06%，且能较好地识别具有高相似度的电缆缺陷类型。

该程序代码是基于Python3.5开发的，程序代码中包括制作人脸数据集faces_my.py文件，自动打开电脑上的摄像头实时捕捉人脸保存，并保存到指定目录下，可以在程序中设置人脸数据集的大小，初始数据集是10000张人脸图片。人脸大小指定为64*64像素大小，方便后面神经网络的训练。经过模型训练后，该人脸识别算法准确率达到了百分之99。训练模型请运行train.py文件，并可以自行设置训练的批次和迭代结束的条件，训练好模型后会自动在程序运行目录下保存当前训练好的卷积神经网络模型。模型训练完成后，若想看到模型的实际运行效果怎么样，请运行recognition.py文件，程序运行后将会自动调取计算机上的摄像头实时监测人脸并识别人脸，在图形界面窗口实时显示人脸识别的结果。