基于深度卷积神经网络的服装图像分类检索算法

提出了一种基于卷积神经网络的前方车辆检测方法。首先，根据车底阴影特征，运用基于边缘增强的路面检测算法以及车底阴影自适应分割算法来分割并形成车底候选区域，以解决路面灰度分布不均及光照条件变化问题；其次，运用针对道路交通环境的卷积神经网络结 构，建立图像样本库进行网络训练；在此基础上，采用基于卷积神经网络识别的方法以验证并剔除被误检测为车底阴影的候选区域，进而确定真正的车辆目标；最后，修改网络为三分类识别，以验证本文方法的强扩展性的优势。实验结果表明：本文提出的车辆检测方法能够很好地区分车底阴影和非车底阴影干扰，有效地提高车辆检测的准确率和可靠性，降低误检率。

本文针对齿轮箱故障检测与诊断问题，运用信号处理和神经网络等相关知识，构建了小波变换模型、1D-CNN 模型进行齿轮箱工作状态的分析。综合运用 MATLAB 和 Python 等软件编程求解，通过模型参数调整使 1D-CNN 模型效果趋于最优，最终得到较为准确的诊断结果。对于输入神经网络的数据，进行训练集与测试集的划分以及归一化、编码分类标签等操作便于模型训练。 有问题欢迎私信沟通交流，共同学习！

学习卷积神经网络的面部反欺骗 “”论文的实现 结果 CASIA内测 原始数据集：或（密码：h5un） 规模 1.0 1.4 1.8 2.2 2.6 吝啬的 开发EER 0.1094 0.0408 0.0346 0.0339 0.0670 0.0571 测试HTER 0.1033 0.0492 0.0568 0.0675 0.0875 0.0729 测试EER 0.0923 0.0461 0.0578 0.0665 0.0790 0.0683

基于PYNQ-Z2实现手写数字识别卷积神经网络硬件加速器.zip

基于边界框回归损失的目标检测器以其简单、高效的特点被广泛应用于计算机视觉领域。损失函数中定位算法的精度会影响网络模型检测结果的平均精度。我们在Complete Intersection over Union(CIoU)损失函数的基础上提出了一种改进的提高定位精度的算法。具体来说，该算法在于更全面的考虑预测框和真值框的匹配，利用预测框与真值框高宽比尺寸的比例关系，在真值框和预测框对应的宽高比值相同条件下，考虑预测框对定位精度的影响因素，这样强化了惩罚函数的作用，提高了网络模型的定位精度。我们称这个损失函数是Improved CIoU (ICIoU)。在Udacity, PASCOL VOC(Pascal Visual Object Classes)和MS COCO(Microsoft Common Objects in Context)数据集上的实验，证明了ICIoU用于单级目标检测器YOLOv4在提高模型定位精度方面的有效性。所提出的ICIoU算法相比IoU可以在Udacity测试开发上显著提高AP 1.92%和AP75 3.25%。它还可以在PASCAL VOC上显著提高AP 1.7

本文针对齿轮箱故障检测与诊断问题，运用信号处理和神经网络等相关知识，构建了小波变换模型、1D-CNN 模型进行齿轮箱工作状态的分析。综合运用 MATLAB 和 Python 等软件编程求解，通过模型参数调整使 1D-CNN 模型效果趋于最优，最终得到较为准确的诊断结果。对于输入神经网络的数据，进行训练集与测试集的划分以及归一化、编码分类标签等操作便于模型训练。 有问题欢迎私信沟通交流，共同学习！ 参考文献 [1] 李鹏, 孔凡让, 何清波. 齿轮箱状态监测中的振动信号多标度分析[J]. 计算机工程, 2011, 37(14):242-244. [2] 杨永灿, 刘韬, 柳小勤,等. 基于注意力机制的一维卷积神经网络行星齿轮箱故障诊断 [J]. 机械与电子, 2021, 39(10):6. [3] 梁睿君, 冉文丰, 余传粮,等. 基于 CWT-CNN 的齿轮箱运行故障状态识别[J]. 航空动 力学报, 2021, 36(12):9. [4] 吴春志, 江鹏程, 冯辅周,等. 基于一维卷积神经网络的齿轮箱故障诊断[J]. 振动与冲 击, 2018, 37(22):6.

3D 三维卷积神经网络CNN(MATLAB).zip 3D 三维卷积神经网络CNN(MATLAB).zip

实体关系抽取旨在识别网络文本中的实体，并提取出文本中实体之间隐含的关系。研究表明，深度神经网络在实体关系抽取任务上具有可行性，并优于传统关系抽取方法。目前的关系抽取方法大都使用卷积神经网络（CNN）和长短期记忆神经网络（LSTM），然而CNN只考虑连续词之间的相关性而忽略了非连续词之间的相关性。另外，LSTM虽然考虑了长距离词的相关性，但提取特征不够充分。针对这些问题，提出了一种CNN和LSTM结合的实体关系抽取方法，采用3种结合方法进行了实验，验证了该方法的有效性，在F1值上有一定的提升。

项目简介 用搭载Keras的tensorflow框架通过卷积神经网络训练模型，使用贝叶斯分类器识别人类的情绪。 根据情绪选择相应的emoji匹配 （更多详情请打开FaceEmotionClassifier.ipynb文件） 项目环境 数据集： Fer2013 ( kaggle挑战赛 ) ，Emoji表情集 神经网络框架： Keras,Tensorflow-gpu 分类器： 基于Opencv-Normal Bayes Classifier(正态贝叶斯分类)训练的贝叶斯分类器 配置环境： python==3.6.0 tensorflow-gpu==1.8.0 keras-gpu==2.1.6 opencv==3.3.1 其他环境详见：environment.yaml