深度卷积神经网络以多层次的特征学习与丰富的特征表达能力，在目标检测领域取得了突破进展。概括了卷积神经网络在目标检测领域的研究进展，首先回顾传统目标检测的发展及存在的问题，引出卷积神经网络的目标检测基本原理和基本训练方法；然后分析了以R-CNN为代表的基于区域建议的目标检测框架，介绍以YOLO算法为代表的将目标检测归结为回归问题的目标检测框架；最后，对目前目标检测的一些问题进行简要总结，对未来深度卷积神经网络在目标检测的发展进行了展望。

深度学习取得成功的一大关键因素是网络上海 量可用的数据．当前，在工程应用及生物神经领域存 在有指数增长的海量复杂数据，以文字、图片、视频、 音频、基金数据等不同模态呈现出来，具有绝然不同 的数据分布．这对神经网络模型的训练复杂度、参数 选取、结构设计、时间复杂度等方面的平衡都带来了 新的挑战．因此，如何充分利用大数据来设计更具有 特征表达能力的神经网络模型，还值得进一步研究．

多视图深度卷积神经网络进行高分辨率乳腺癌筛查 介绍 这是用于分类的模型的实现，如我们的论文。 该实现使用户可以通过将我们的预训练CNN模型应用于具有四个视图的标准筛查乳房X线检查中来获得BI-RADS预测。 作为此存储库的一部分，我们提供了一个示例考试（在images目录中）。 该模型在TensorFlow和PyTorch中均实现。 先决条件 巨蟒（3.6） TensorFlow（1.5.0）或PyTorch（0.4.0） NumPy（1.14.3） 科学（1.0.0） 枕头（5.1.0） 数据 要使用预训练模型，输入必须包含四张图像，每个视图一个（L-CC，L-MLO，R-CC，R-MLO）。 每个图像的大小必须为2600x2000像素。 提供的样本检查中的图像已经被裁剪为正确的尺寸。 如何运行代码 可用选项位于文件birads_prediction_tf.py或birads_p

深度卷积神经网络模型

基于深度卷积神经网络的服装图像分类检索算法

高效的鱼类分类识别是海洋牧场智能化监测的基础 . 传统的通过浅层模型，利用目标特征 的分类识别方法效率低下，泛化性差，难以实现智能化应用；而重建并训练深度卷积神经网络（DCNN） 模型占用巨大的计算机资源 . 文章提出一种基于 DCNN 和迁移学习的方法，针对新图像数据集，通过选 择训练参数，对预训练模型进行再训练，实现鱼类的分类识别 . 通过实验证实，这种方法可在占用少量 的计算机资源情况下，达到 97.14% 的验证准确率 . 使用基于 DCNN 与参数迁移的学习策略可以得到性 能良好的深度神经网络鱼类分类识别模型 .

AlexNet深度卷积神经网络

具有并行计算的卷积神经网络的C ++库（openMP，CUDA，MPI） 用法： g ++ -std = c ++ 11 -fopenmp lenet.cpp -o lenet ./lenet 这是模型的多线程版本（具有数据并行性），您可以使用以下方法更改线程数： 导出OMP_NUM_THREADS = 4 要使用MPI版本的代码，您需要使用mpic ++进行编译： mpic ++ -std = c ++ 11 -fopenmp lenet.cpp -o lenet 您可以在多节点系统上运行它！ 创建自己的网络 您可以通过派生Model类并使用addLayer（）方法按顺序添加所有图层来创建自己的深度神经网络类。 您还可以通过扩展ActivationLayer来引入自己的激活层。 您可以通过扩展LossFunction类来创建自定义Loss函数。 工作正在进行中 使用以下方法进

针对 YOLO 目标检测算法在小目标检测方面存在的不足 ， 以及难以在嵌入式平台上达到实 时性的问题 ， 设计出了一种基于 YOLO 算法改进的 dense _ YOLO 目标检测算法

一维DCNN用于轴承故障诊断，仿真数据集为CWRU（凯西私储大学的公开轴承数据集） 轴承故障诊断时机械状态监测的热门研究方向，其算法的核心在于信号特征提取与模式分类两个部分。在轴承故障诊断领域，常见的特征提取算法有快速傅里叶变化，小波变换，经验模式分解以及信号的统计学特征等，常见的模式分类算法有支持向量机，BP 神经网络（也称为多层感知器），贝叶斯分类器以及最近邻分类器等。当下轴承故障诊断的研究热点是可以归结为 3 类：寻找更好的特征表达；寻找最适合的特征表达以及分类器的组合；以及发明新的传感器。