Face-Recognition-by-CNN.zip，这是一份不错的文件

深车 车辆模型/制造的细粒度检测 数据集 训练数据集包含来自集的163 / 1,716辆汽车制造商/模型[1] 微调VGG 建筑学 使用CompCars数据集对在ImageNet上预训练的模型进行了微调（16970/776火车/有效图像-115辆车/类） 结果 准确性：在200个时代中，前5名占93.2％ ，使用的基本学习率为0.001，批处理大小为64。 RA-CNN仔细看就能看到更好 建筑学 结果 参考 [1]杨琳洁，罗平，陈改来，唐小鸥。 用于细粒度分类和验证的大型汽车数据集，计算机视觉和模式识别（CVPR），2015年。

KiTTI数据处理和3D CNN用于车辆检测 用于车辆检测的3D CNN 使用PointCloud数据进行车辆检测的3D全卷积网络参考：点云中用于车辆检测的3D全卷积网络 主文件是“ model_01_deconv.py” 数据加载功能为“ input_velodyne.py” 示例（3D边界框：8个顶点）不执行NMS 需求 Python 张量流 ROS Python-PCL（如果不使用pcl，请在input_velodyne.py中注释掉相关代码 KiTTI数据处理 数据集是KITTI 3D对象检测数据集 Velodyne PointCloud 培训标签 校准

介绍 再现EMNLP '14论文 作者 /

cnn源码matlab去建立图像处理历史 我们的目标是重现论文中提到的结果。 我们在这个实现中使用了 Pytorch，并试图坚持论文中使用的 CNN 架构，但做了一些调整以获得更好的结果。 建筑学 训练分两个阶段进行，因此使用了两个 CNN，其架构如下： 模型一 模型二 要求 Python3.x 最新版本的 Pytorch（您可以按照任何标准博客安装 pytorch） 麻木的 泡菜 虚拟环境 具有 10Gb 或更多内存的 GPU（我们使用 Nvidia 1080Ti 进行训练） 指示 生成数据集： 首先，需要下载存在的 BossBase 原始图像。 然后，提取 tar 文件，在父目录中创建一个文件夹datasets/1.data并将提取的图像复制到该文件夹​​中。 接下来，打开 Matlab 并在项目的matlab文件夹中运行命令cr2jpeg和loldata 。 这些命令可能需要相当长的时间。 运行这些命令后，数据集文件夹内的目录结构将如下所示： . ├── jpegs ├── test | |── ctr | │ ├── denoise | │ ├── high | │ ├── l

多类花卉分类 使用Keras进行多类花卉图像分类 用法用于训练模型：python3 training_model-数据集training_set-模型trained_model-情节图用于预测图像：python3预报.py-数据集training_set-模型trained_model-图像test_set / rose1 该模型已使用Keras库进行了训练。 这里使用的神经网络的架构通常称为LeNet架构，其描述如下：INPUT => CONV => RELU => POOL => CONV => RELU => POOL => FC => RELU => FC 为了训练该模型，最优化的纪元数是25，而使用Adam Optimizer的批量大小是32，初始学习率是1e-3。 这里的预训练模型具有以下准确性/损失，这也显示在图中plot.png训练准确性-0.9057验证准确性-0

该存储库包括标签，用于预处理图像数据集的代码以及用于将眼底图像分为五种不同类别的CNN的实现，这些类别分别对应于五个不同级别的糖尿病性视网膜病变（DR）疾病。 项目报告描述了实施情况。 由于数据集过大，因此未在此处上传

快速R-CNN的简单快速实现 1.简介 [更新：]我将代码进一步简化为pytorch 1.5，torchvision 0.6，并用来自torchvision的ops roipool和nms替换了自定义的ops roipool和nms。 如果您想要旧版本的代码，请检出分支 该项目是基于和其他的简化的快速R-CNN实现。 我希望它可以作为那些想了解Faster R-CNN详细信息的人的入门代码。 目的是： 简化代码（简单胜于复杂） 使代码更直接（扁平比嵌套更好） 匹配报告的性能（速度计数和mAP问题） 它具有以下功能： 它可以作为纯Python代码运行，不再需要构建事务。 这是在大约2000行有效代码中的最少实现，其中包含大量注释和说明。（由于chainercv的出色文档） 与原始实施相比，它实现了更高的mAP（0.712 VS 0.699） 它可实现与其他实现方式相当的速度

对金融时间序列的建模，第一列数据为预测项

植物病害分类 植物病害分类的数据集分析和CNN模型优化 如何探索这项工作 阅读或格式的报告。 阅读的代码。 在Kaggle notebook 中运行代码。 扩展摘要 问题 对影响农作物的多种疾病的误诊会导致化学药品的滥用，导致耐药菌病原体的出现，投入成本的增加以及更多爆发，造成重大的经济损失和环境影响。 当前基于人类侦察的疾病诊断既耗时又昂贵，尽管基于计算机视觉的模型有望提高效率，但由于受感染组织的年龄、遗传变异和树木内的光照条件而导致的症状差异很大检测精度。 目标 我们参加的植物病理学挑战包括使用训练数据集的图像训练模型以 准确地将测试数据集中的给定图像分类为不同的患病类别或健康的叶子； 准确区分许多疾病，有时在一片叶子上不止一种； 处理罕见的类别和新的症状； 解决深度感知——角度、光线、阴影、叶子的生理年龄； 结合识别、注释、量化方面的专家知识，引导计算机视觉在学习过