LaneNet车道检测 使用tensorflow主要基于IEEE IV会议论文“走向端到端的车道检测：实例分割方法”，实现用于实时车道检测的深度神经网络。有关详细信息，请参阅他们的论文 。 该模型由编码器-解码器阶段，二进制语义分割阶段和使用判别损失函数的实例语义分割组成，用于实时车道检测任务。 主要的网络架构如下： Network Architecture 安装 该软件仅在带有GTX-1070 GPU的ubuntu 16.04（x64），python3.5，cuda-9.0，cudnn-7.0上进行了测试。 要安装此软件，您需要tensorflow 1.12.0，并且尚未测试其他版本的tensorflow，但我认为它可以在版本1.12以上的tensorflow中正常工作。 其他必需的软件包，您可以通过以下方式安装它们 pip3 install -r requirements.txt

一份非常好的关于rbf神经网络的讲解，上面讲的特别容易上手

离散Hopfield神经网络的分类——高校科研能力评价matlab代码

1.1 模型介绍 1.2模型结构 1.3 模型特性 2.1 模型介绍 2.2 模型结构 2.3 模型特性 3.1 模型介绍 3.2 模型结构 3.3 模型特性

麻雀搜索算法（SSA）优化bp网络,麻雀搜索算法SSA,matlab（10）.zip

这个代码主要是针对刚入门pytorch的小伙伴，会带大家完整走一遍使用神经网络训练的流程，以及介绍一些pytorch常用的函数。

这是总结的深度学习中常用的11个图数据集。 1. 近年来，深度学习越来越关注图方向的任务，通过利用图神经网络去挖掘现实中各种可以利用图来表示事物（社交网络，论文引用网络，分子结构）等等，来学习更好的表示，去实现下游任务。 2. 图数据是由一些点和一些线构成的，能表示一些实体之间的关系，图中的点就是实体，线就是实体间的关系。如下图，v就是顶点，e是边，u是整张图。attrinbutes（feature）是信息的意思，每个点、每条边、每个图都是有信息的。 3. 图数据集对于图任务的科研是必备的。深度学习中常用的图数据集：Cora、Citeseer(Cite)、Pubmed、DBLP、ACM、AMAP、AMAC、Corafull、WIKI、BAT、EAT、UAT。

...

运动想象分类matlab代码交通车辆识别系统 夏季项目，使用MATLAB中的神经网络工具箱来区分收费车辆和免税旅行者。 文档尚未完成！>>代码重组待定>>关于Gpu的硬件限制（更好的Nvidia计算能力> = 3.5要求）>>使用背景减法的幼稚分割方法不适用于遮挡和重叠对象数量更多的复杂图像> > 由于必须上传经过训练的网络和数据集>>数据集>>数据集并且无法使用ImageCNN进行训练，因此该代码无法正常工作。m>> videotrafficgmm是分类的主要模块，其余都是支持组件>>适当测试视频，测试数据，训练有素的网络以及其他各种输入和输出的路径变量将必须根据您的系统进行重新校准。 由于数据上传限制（无法上传大型数据集和训练有素的网络）的限制，该存储库未考虑指定目的的实现。尽管对于感兴趣的用户了解在我的项目中使用的方法可能会有所帮助，用于某些常见的计算机视觉问题 摘要：->名为“项目”的目的是研究CNN不同组件的各种特性。 该项目的目的是从交通视频源中检测正在行驶的车辆并识别车辆的类别。为简单起见，将车辆分为收费和免收费两类。 付费车辆包括所有具有四个或更多车轮的机动车，这些机动

汽车行业是推动人工智能(AI)发展的重要行业之一，这是因为该行业致力于自动驾驶汽车和高级驾驶员辅助系统(ADAS)的泛在利益。汽车正在变得越来越智能，但是如果汽车行业要实现完全自动驾驶的目标，他们还有很长的路要走。尽管业界还在讨论实现全自动化所需的理想技术组合，但是有一点是明确的，那就是人工智能，尤其是神经网络将发挥重要作用。