基于对象的CNN（OCNN）用于卫星图像语义标记 OCNN的目标是为卫星图像的语义标记提供一种快速，准确的方法，同时保留有关地理实体的详细信息。 它旨在易于实施，以支持卫星图像映射和基准研究评估。 如果您认为这有帮助，请引用我们的作品 此外，我们还要感谢Thomas Blaschke教授，Stefan Lang教授，Dirk Tiede教授以及OBIA小组成员的宝贵建议。 笔记： 基于对象的CNN（OCNN）已经集成了逐像素CNN（PCNN）策略，因此我们放弃了Matlab版本的PCNN，因为它的效率似乎有点低。 要使用OCNN代码，您可能需要确保已经满足必要的环境。 相关的模块或软件包是： 张量流 cv2 泡菜 还应安装其他基本模块，例如numpy，scipy，PIL。 整体结构（这是原型，所以可能看起来有些碎裂）： |-OCNN_main.py (improtant!)

基于python语言书写用到的函数库有tensorflow，numpy，pandas，matplotlib. 此压缩包下有包含（CNN手写数字识别.ipynb，CNN涂鸦识别.ipynb，两个数据集分别是minist手写字符集和Google涂鸦集，因占用空间超过1G，采用蓝奏云盘的格式分享，附加一份结课文档可参考）。手写数字识别采用卷积神经网路识别minist手写数字集，涂鸦识别采用卷积神经网络识别涂鸦集，经实验效果良好，准确率达到98%以上。并且使用绘图软件自己绘图识别，测试图片为自己绘制。 经实验，效果良好

In this paper we propose acoustic direction of arrival (DOA) estimation with neural networks. Conventional signal processing tasks such as DOA estimation have benefited from recent advancements in deep learning, which leads to a data-driven approach that allows neural networks to be employed in a black-box manner. From traditional aspects, modern network models often lack interpretability when directly employed in signal processing realm. As an alternative, we introduce a learnable network from

cnn-classification-dog-vs-cat 基于CNN的图像分类器，使用Kaggle的猫狗图片数据。 1 requirement python3 numpy >= 1.14.2 keras >= 2.1.6 tensorflow >= 1.6.0 h5py >= 2.7.0 python-gflags >= 3.1.2 opencv-python >= 3.4.0.12 2 Description of files inputs: 猫狗图片样本数据，，使用keras库中的类读取，需要将每个类的图片放在单独命名的文件夹中存放； train.py: 自建的简单CNN，训练后测试集精度约83%； pre_train.py: 利用已训练的常用网络(基于数据集训练)，进行迁移学习，测试集精度约95%以上； data_helper.py: 数据读取和预处理模块； img_cnn.py:

慢性肺疾病 使用卷积神经网络对肺部疾病进行分类

内含Mask R-CNN原文、Faster R-CNN系列文章、网上收集的资料、对内容的详解、很好的学习参考。 Mask R-CNN全文翻译：https://yidamyth.blog.csdn.net/article/details/127038317?spm=1001.2014.3001.5502 学习PySide2基于Python开发人工智能系统应用： https://blog.csdn.net/weixin_43312117/article/details/125512308?spm=1001.2014.3001.5501 Mask R-CNN数据标注和模型训练：https://yidamyth.blog.csdn.net/article/details/124851003

tensorflow中文文档，查问题比较有用。官网英文地址为https://www.tensorflow.org/

基于matlab深度学习工具箱来设计卷积神经网络用来对图像上的水体部分进行识别，并生成水体陆地二值化图像。采用的是9层卷积神经网络用来对图像进行特征提取和分类，水体识别的准确率可以达到96%以上。

具有自适应时间特征分辨率的3D CNN CVPR 2021论文的源代码： 。 即将推出！ 敬请关注！ @inproceedings{sgs2021, Author = {Mohsen Fayyaz, Emad Bahrami, Ali Diba, Mehdi Noroozi, Ehsan Adeli, Luc Van Gool, Juergen Gall}, Title = {{3D CNNs with Adaptive Temporal Feature Resolutions}}, Booktitle = {{The IEEE Conference on Computer Vision and Pattern Recognition (CVPR) }}, Year = {2021} }

matlab除噪声代码船只提取 基于CNN的系统，用于对血管进行分割，然后从眼底图像中去除血管，以使用在此清理过的眼底版本上方训练的分类器以及经过训练的分析器来分析血管图以识别与血管形状相关的临床特征的分类器，从而提供更好的诊断模型，像船只的曲折。 训练数据 训练数据是从和数据集中获得的。 对于STARE数据集，使用由Valentina Kouznetsova注释的目标血管图，因为它更加详细。 数据预处理和数据集生成 笔记本用于根据DRIVE和STARE数据集中的可用图像生成256 X 256色块的庞大数据集。 补丁是随机生成的。 对于健壮的训练，还会生成涉及图像翻转和噪声添加的补丁。 为了使用笔记本而不进行任何更改，请确保以下树结构用于存储DRIVE和STARE数据集： VesselExtract/ ├── DRIVE │   ├── test │   └── training ├── STARE │   ├── labels-vk │   └── stare-images ├── generate_patches.ipynb ├── README.md ├── research_m