卷积神经网络搭建平台是Pytorch 包含了自己建立的模型与一个迁移模型 数据集已包含在内

CNN_with_CAES_and_DQN 卷积神经网络的组合，其中卷积自动编码器（堆叠式）与深度 Q 网络相结合。 C++代码基于tiny_cnn

针对星空背景下卫星跟踪中运动小目标与伪目标交会造成的跟踪漂移问题, 提出一种基于多域卷积神经网络(MDNet)与自回归(AR)模型的空中小目标自适应跟踪方法。 对用MDNet采集到的图像序列第1帧的正样本进行bounding-box回归模型训练; 再训练用最小信息准则和最小二乘法确定阶数和参数的AR模型, 估计目标运动轨迹并预测目标位置; 最后, 将该目标位置作为MDNet的采样中心, 约束采样候选区域, 用bounding-box回归模型调整目标位置。 实验用8种跟踪方法测试了8组场景复杂的视频序列, 结果表明, 本文方法的成功率及平均覆盖率均显著高于其他7种典型算法, 具有较高的精确性和稳健性。

介绍卷积神经网络的内容，并实验演示CNN

实现猫和狗图像的二分类

这里面包含整个基于神经网络深度学习 ，实现人脸识别项目，包括原始数据 ，训练数据 训练模型 测试数据等，包含演示同步ppt文件， 使用的开发工具是pycharm，基于python3实现，该案例可做为本科毕设的入门参考，ppt内容包含整个讲解过程，从人脸识别到cnn，卷积，从欧式距离到人脸表情变化的计算详情 以及整个卷积的介绍，可以做为入门以及会议上介绍使用的文档。 参考文件 基于CNN卷积神经网络实现人脸识别-人脸表情识别-同步ppt介绍及基于python3实现识别源代码。

python语言编写的卷积神经网络代码示例，可直接在tensorflow运行，不懂的可以留言交流。

尝试将word embedding和卷积神经网络（CNN）相结合来解决情感分类问题。首先，利用skip-gram模型训练出数据集中每个词的word embedding，然后将每条样本中出现的word embedding组合为二维特征矩阵作为卷积神经网络的输入，此外每次迭代训练过程中，输入特征也作为参数进行更新；其次，设计了一种具有三种不同大小卷积核的神经网络结构，从而完成多种局部抽象特征的自动提取过程。与传统机器学习方法相比，所提出的基于word embedding和CNN的情感分类模型成功地将分类正确率提升了5.04%。

在源代码基础上调整代码结构，需运行代码均位于初始目录，可根据教程README.md轻松运行成功，无需代码基础。 课程作业+实验设计+小型毕设均可应对。

captcha_cracker 简介 这是一个基于 编写的卷积神经网络模型，简单实现的验证码识别功能。 是一款 社区中流行的验证码生成库, 项目模型的训练集以及在线测试所用到的验证码均采用该库生成。 运行环境 Ubuntu16.04 python3.5.2 virtualenv Tensorflow Backend 实现原理 用 Captcha 生成2组每组2000个4位验证码图片（图片尺寸：36×120），并等分成4份(单张图片尺寸：36×30)，将单个字符的图片分类保存在 images 目录中作为训练集（每组8000张图片）。 生成2组每组500个4位验证码图片（图片尺寸：36×120），并等分成4份(单张图片尺寸：36×30)，将单个字符的图片分类保存在 images 目录中作为测试集（每组2000张图片）。 运行 pack_data.py 将图片转为 RGB 矩阵并用cPic