采用CNN神经网络中经典的resnet18模型，对Flowers数据集（https://www.kaggle.com/datasets/alxmamaev/flowers-recognition）进行分类。 运用了图像增广技术与微调技术，在5轮训练后正确率超过了90%，在经过15轮训练后，精度可以达到97%。

内容概要：通过简单手势识别，带着读者做一遍软件安装、数据集采集、图像处理、神经网络训练、网络的测试、综合应用的过程中，了解图像处理、卷积神经网络的核心原理。在手写手势识别源码的过程中会梳理过流程的核心逻辑，简化代码实现过程，保留核心功能，例如：图像减采样、阈值分割、平滑滤波、边缘提取等内容实现。 适合人群：具备一定图像处理、深度学习基础 能学到什么：①如何在MATLAB上利用笔记本自带的摄像头进行图像采集；②图像减采样、阈值分割、平滑滤波、边缘提取都是如何设计和实现的；③卷积神经网络是如何设计、训练以及应用的。 阅读建议：此资源以开发简单手势识别学习图像处理和卷积神经网络的原理和内核，不仅是代码编写实现也更考验读者的代码调试能力，所以在学习的过程要结合这些内容一起来实践，并调试对应的代码。

内容概要：通过简单手势识别，带着读者做一遍软件安装、数据集采集、图像处理、神经网络训练、网络的测试、综合应用的过程中，了解图像处理、卷积神经网络的核心原理。在手写手势识别源码的过程中会梳理过流程的核心逻辑，简化代码实现过程，保留核心功能，例如：图像减采样、阈值分割、平滑滤波、边缘提取等内容实现。 适合人群：具备一定图像处理、深度学习基础 能学到什么：①如何在MATLAB上利用笔记本自带的摄像头进行图像采集；②图像减采样、阈值分割、平滑滤波、边缘提取都是如何设计和实现的；③卷积神经网络是如何设计、训练以及应用的。 阅读建议：此资源以开发简单手势识别学习图像处理和卷积神经网络的原理和内核，不仅是代码编写实现也更考验读者的代码调试能力，所以在学习的过程要结合这些内容一起来实践，并调试对应的代码。

近年来，深度学习在计算机视觉领域中的表现优于传统的机器学习技术，而图像分类问题是其中最突出的研究课题之一。传统的图像分类方法难以处理庞大的图像数据，且无法满足人们对图像分类精度和速度的要求，而基于深度学习的图像分类方法突破了此瓶颈，成为目前图像分类的主流方法。从图像分类的研究意义出发，介绍了其发展现状。其次，具体分析了图像分类中最重要的深度学习方法（即自动编码器、深度信念网络与深度玻尔兹曼机）以及卷积神经网络的结构、优点和局限性。再次，对比分析了方法之间的差异及其在常用数据集上的性能表现。最后，探讨了深度学习方法在图像分类领域的不足及未来可能的研究方向。

基于keras 卷积神经外网络搭建的手写数字识别 完整代码+数据可直接运行基于keras 卷积神经外网络搭建的手写数字识别 完整代码+数据可直接运行基于keras 卷积神经外网络搭建的手写数字识别 完整代码+数据可直接运行

深层神经网络拥有更强特征表达能力的同时, 也带来了优化难、训练成本高及梯度弥散等问题; 参数数量的激增则导致模型过于臃肿, 不利于其在移动端及工业控制设备等算力弱、存储小的平台上的部署. 针对这些问题, 构建了一种融合空洞卷积和多尺度稀疏结构的轻量神经网络对图像进行特征提取, 实现对带有彩色图形噪声且字符扭曲粘连严重的验证码图像的端到端识别. 将包含100万张验证码图像的数据集按98:1:1的比例划分为训练集、验证集和测试集, 逐批参与训练. 实验结果表明, 该网络在大大减少参数数量的同时, 具有测试集上98.9%的识别成功率.

对KSC和PU数据集进行1D光谱特征学习，2D空间特征学习和3D谱空联合特征学习，所用环境为tensorflow-GPU-1.5.0 keras2.1.6 资源包含KSC和PU两个高光谱数据集

基于卷积神经网络级联人脸关键点检测算法.docx

cnn.pth 卷积神经网络训练模型 73%

cnn.pth 卷积神经网络训练模型二 66%