yx-image-recognition 基于spring boot + maven + opencv 实现的图像深度学习Demo项目，包含车牌识别、人脸识别、证件识别等功能，贯穿样本处理、模型训练、图像处理、对象检测、对象识别等技术点

包含5万张验证码(数字+大小写字母)和验证码对应结果集（train.txt）格式为{'1234.jpg' '1234'...} 包含5万张验证码(数字+大小写字母)和验证码对应结果集（train.txt）格式为{'1234.jpg' '1234'...}

中国象棋棋子定位采用的传统图像处理方法，复杂度高；识别棋子采用的传统文字识别方法，泛化性较差、精确度较低。提出一种基于棋子颜色特征的分割方法和改进的二值图像滤波算法，实现了棋子的快速定位，不需要二次修正位置；提出一种基于卷积神经网络的棋子识别方法，该方法可以应用于不同字体的棋子识别，在更换棋子的情况下，依然可以快速、准确地识别棋子。实验结果表明，该方法的定位误差为0.51 mm，平均定位时间0.212 s，对4类字体的平均棋子识别准确率为98.59%左右，证实了该方法的有效性和实用性。

近五年红外与可见光图像融合实现代码合集，每个方法单独整理成文件夹，语言主要为matlab语言，部分为C语言，深度学习的模型为训练好的模型，方便学习

小样本高光谱遥感图像深度学习方法

预训练好的inception model 是StackGAN 用来于鸟评估的inception score模型 也可以用于AttnGAN、DF-GAN等等文本生成图像模型当中 主要用于评估图像质量

为了实现遥感图像中目标的快速准确检测,解决遥感图像目标带有旋转角度的问题,在卷积神经网络理论的基础上,将旋转区域网络生成融入到Faster R-CNN网络中,提出了一种基于Faster R-CNN改进的遥感图像目标检测方法。相对于主流目标检测方法,本文算法针对遥感图像中的大多数目标都具有方向性不定且相对聚集的特点,在区域候选网络中加入了旋转因子,以便能够生成任意方向的候选区域;同时,在网络的全连接层之前增加一个卷积层,以降低其特征图参数,增强分类器的性能,避免出现过拟合。将本文算法与几种主流目标检测方法进行对比分析后可知,本文算法因融合了多尺度特征及旋转区域网络的卷积神经网络所提取的特征,能得到更好的检测结果。

红外飞机小目标数据集，共22个data文件夹，每个data文件夹都有标注，不需要自己再做标注。可用于深度学习中红外飞机小目标检测使用，包括天空背景、地面背景、多架飞机、飞机远离、飞机靠近等多种情况。 此处为data1，其他数据集可查看本人其他发布。

卫星图像深度学习：通过卫星和航空影像进行深度学习的资源

matlab图像分割肿瘤代码深度学习神经影像 一般深度学习 教科书 深度学习书（Yoshua Bengio） 评论论文 2013表征学习：回顾与新观点（Yushua Bengio） 2014神经影像深度学习：一项验证研究 2015 Nature深度学习（Yann LeCun，Yoshua Bengio，Geoffrey Hinton） 2015年神经网络中的深度学习：概述（J.Schmidhuber） 2016了解深度卷积网络 2016年医学影像深度学习：令人兴奋的新技术概述和未来前景 2016.07深度学习与神经科学的融合 网络模型 2012使用深度卷积神经网络进行ImageNet分类（A.Krizhevsky等人.Hinton） 2015全卷积网络的语义分割（J.Long等人） 2014非常深的卷积网络，用于大规模图像识别（K. Simonyan和A. Zisserman） 2014可视化和理解卷积网络（M. Zeiler和R. Fergus） 2015快速R-CNN（R.Girshick） 2015通过卷积深化（C. Szegedy等人，Google） 2016用于图像识别的深度