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

对KSC和PU数据集进行1D光谱特征学习，2D空间特征学习和3D谱空联合特征学习，所用环境为tensorflow-GPU-1.5.0 keras2.1.6 资源包含KSC和PU两个高光谱数据集

keras搭建简单CNN模型实现kaggle比赛数字识别-附件资源

这是Jake Bouvrie在2006年写的关于CNN的训练原理，虽然文献老了点，不过对理解经典CNN的训练过程还是很有帮助的。该作者是剑桥的研究认知科学的。【英文版】

总共收集了8篇论文，前两篇论文做了写笔记。主要是CNN论文发展的必看论文，包括LnNET-5,AlexNet,NIN,GoogleNet,VGGNet,ResNet,DenseNet,SENet.