基于CNN训练的一套 "端到端" 的验证码识别模型，使用深度学习+训练数据+大量计算力，纯数字识别率高达 99.99%，数字+字母识别率 96%

随着深度学习的研究热潮，近年来对车辆目标的检测逐步从机器学习方法转变为深度学习方法.目前，大多数深度学习方法对车辆目标的检测都存在不同程度的错检漏检问题.针对车辆目标检测中存在的小目标的错检漏检、截断式待检目标的漏检和重叠遮挡待检目标的漏检等问题，提出一种基于增量学习数据集的车辆目标检测方法，该方法与Faster R-CNN算法结合对车辆目标实现检测和分类.在实验的最后，分别从主观判断和客观检测数据两个方面，对比了车辆目标检测中未使用增量学习方法和使用增量学习方法对实验结果的影响.实验证明，使用基于增量学习和Faster R-CNN的车辆目标检测方法在主观判断方面对错检漏检的目标有明显地改善效果，从客观数据分析，使用该方法与未使用增量学习方法相比，VGG16网络mAP值提升了4%，ResNet101网络mAP值提升了6%.

道路锥桶、彩色路锥深度学习样本625个，部分采集于城市道路，部分采集于隧道

yolov5各子类权重 l, m, s, x

神经网络作图大全ppt

由浅入深的深度学习教材，张志华翻译版

关于ppt 近年来，以机器学习、知识图谱为代表的人工智能技术逐渐变得普及。从车牌识别、人脸识别、语音识别、智能助手、推荐系统到自动驾驶，人们在日常生活中都可能有意无意地用到了人工智能技术。这些技术的背后都离不开人工智能领域研究者的长期努力。特别是最近这几年，得益于数据的增多、计算能力的增强、学习算法的成熟以及应用场景的丰富，越来越多的人开始关注这个“崭新”的研究领域：深度学习。深度学习以神经网络为主要模型，一开始用来解决机器学习中的表示学习问题。但是由于其强大的能力，深度学习越来越多地用来解决一些通用人工智能问题，比如推理、决策等。目前，深度学习技术在学术界和工业界取得了广泛的成功，受到高度重视，并掀起新一轮的人工智能热潮。

高清版，应用预测建模，人工智能nlp方向必读书籍，BAT算法工程师极力推荐！

压缩包包含 1：EMNIST数据集压缩包 2：EMNIST转化为图片后的格式（PNG） 3：EMNIST数据集转化为图片代码 EMNIST数据集介绍：名字的由来为，Extended MNIST (EMNIST), 一个在手写字体分类任务中更有挑战的 Benchmark EMNIST 主要分为以下 5 类： 1：By_Class ： 共 814255 张，62 类，与 NIST 相比重新划分类训练集与测试机的图片数 2：By_Merge： 共 814255 张，47 类， 与 NIST 相比重新划分类训练集与测试机的图片数 3：Balanced : 共 131600 张，47 类， 每一类都包含了相同的数据，每一类训练集 2400 张，测试集 400 张 4：Digits ：共 28000 张，10 类，每一类包含相同数量数据，每一类训练集 24000 张，测试集 4000 张 5：Letters : 共 145600 张，26 类，每一类包含相同数据，每一类训练集5600 张，测试集 800 张

最全最新最受欢迎深度学习入门301页PPT，李宏毅老师讲解涵盖深度学习发展进程，算法演进，实例分析，基础实验，图文并茂，深入浅出，揭开深度学习神秘面纱，窥探里面的真实世界,读完收益匪浅