Modified CNN-LSTM for Pain Facial Expressions Recognition10 PUBLICATIONS 4 CITAT

杰森 Jetson 是一个自动驾驶玩具车项目。 它包含在 PyTorch 中构建的端到端 CNN 视觉系统。 检查相应的文章： 能力 路径跟随 停止中 十字路口左转 十字路口右转 硬件 任何具有可控油门（经度）和转向（横向）的遥控汽车底盘都应该兼容。 有很多选项可以开始。 我建议查看、或本项目中使用的。 传感器 具有 200° FOV 的前置广角摄像头 脑 NVIDIA Jetson Nano 软件 先决条件 喷气卡 喷气机 喷气式飞机 火炬2trt *使用 waveshare 的工具包时，您可能需要使用上述存储库的 waveshare 分支，请参阅链接 1. 数据收集 笔记本此阶段的主要目标是收集反映正确驾驶的数据，即具有正确注释的转向和油门值的图像。 在使用游戏手柄驾驶时，您可以记录相机帧以及相应的转向和油门值。 示例数据可能如下所示： [0.1, 0.5]

【MATLAB项目实战】基于CNN_SVM的图像花卉识别 里面包括单CNN、单SVM 、CNN_SVM三个程序 其中CNN_SVM里可以更改不同的CNN架构 AlexNet VGG16 VGG19 ResNet50

tensorflow2.3-keras使用卷积神经网络CNN实现cifar10图像分类源码+数据集+注释+模型加载保存

使用tensorflow2.3-keras卷积神经网络CNN实现猫狗识别-迁移学习源码案例+数据集+注释+离线模型

基于tensorflow和keras的cifar10图像分类源码，5星级源码

微生物图像分类器 微生物图像分类的数据集和神经网络的集合。 贡献者： Sari Sabban-Tarik Alafif-Abdullah Alotebi 描述： 这是数据集和神经网络的集合，用于从显微镜图像中检测或分类微生物。 这里提供了所有必需的脚本，数据集和权重。 到目前为止，该项目可以检测或分类以下生物： Protists-17个属： 硬皮-胞囊菌-Lepocinclis-微囊虫-草履虫-idi草-松树皮-胸膜肺炎-扁桃体-沃尔沃-Ceratium-Coleps-Collodictyon-Didinium-Dinobryon-Frontonia-Phacus 变形虫： 只需检测通用细胞，即可区分其生命周期的活跃阶段和非活跃阶段。 线虫： 根据营养级别（CNN）对线虫进行分类，或者检测通用线虫（对象检测），或者逐像素检测线虫（语义分割）以进行生物量计算 可用的数据集和训

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%。

摘要 输电线路是国家电力系统中负责电能输送的一个重要的组成部分。架空输电 线路长期经历着电闪雷击、风吹日晒、污秽、雨雪及沉陷等外界环境的侵害。目 前传统的电力巡检仍是人工巡检，新型技术利用无人机搭载高分辨摄像机，近距 离拍摄线路及其关键部件获取航拍图像来代替人工巡检。其中，航拍图像中输电 线路部件的识别及缺陷检测是关键技术也是技术难点。本文提出一种利用 Mask R-CNN 技术提取绝缘子串珠的掩膜图像、采用 Yolo-v3 和 Yolo-v4 进行对照，通 过神经网络模型对其绝缘子自爆区域进行特征提取，特征判断，识别定位。具体 流程如下：针对问题一中绝缘子串珠分割，本文根据不同绝缘子类型进行图像类别划 分，通过图像分割优化模型对小目标进行数据集制作。采用 Mask R-CNN 为框架 构建了深度学习算法，并以算法为核心搭建了绝缘子串图像检测平台。最后选取 数据集 80%进行模型训练，20%进行测试，使用极大值抑制算法，得出最佳先验 框（best_anchor），对经过模型得出的绝缘子掩模图与官方的绝缘子掩模图进行 计算，求出评价模型的 Dice 系数为 0.83

HLS CNN样本 在Vivado HLS中实现CNN的一些示例代码。 用法 运行软件 先决条件 CMake gcc 建造 mkdir -p build && cd build && cmake .. && make 跑步 # under directory build/ # run LeNet ./lenet 运行Vivado HLS 当前，我们提供一个TCL脚本来构建基于Vivado HLS的硬件设计。 设计文件位于src/accel 。 # Top function is selected as conv_layer_tile_accel_inst vivado_hls tcl/vivado_hls.tcl