17CVPR_CODE_Learning Dynamic Guidance for Depth Image Enhancement 17 cvpr 代码

smote的matlab代码SGM-CNN 一种将类不平衡处理与深度学习相结合的基于流的网络入侵检测模型：SGM-CNN。 版权所有：黄璐璐、张红波（郑州大学信息工程学院） 本次NIDS的两位贡献者是Lulu Huang女士和SN ENGR。 张红坡（）。 如果您有任何问题，请随时给我们发送电子邮件。 请引用我们的论文，以防您发现我们的工作有用。 (1) Hongpo Zhang、Lulu Huang、Chase Q. Wu 和 Zhanbo Li：一种基于 SMOTE 和高斯混合模型的有效卷积神经网络，用于不平衡数据集中的入侵检测。 计算机网络 (2020), doi:10.1016/j.comnet.2020.107315 (2) Hongpo Zhang, Chase Q. Wu, Shan Gao, Zongmin Wang, Yuxiao Xu and Yongpeng Liu: An Effective deep learning based scheme for network intrusion detection, in: 2018 24th Internationa

基于PyTorch搭建CNN实现视频动作分类任务 有数据有代码 可直接运行 数据基于PyTorch搭建CNN实现视频动作分类任务 有数据有代码 可直接运行 数据

Csdn上上传的代码都是完整的，大家也可以下载其他项目练手，丰富自己的简历也不错。 博客演示：https://blog.csdn.net/qq_34904125/article/details/124913842 其他小项目完整代码： https://blog.csdn.net/qq_34904125?type=download 算法部分 本次是水果分类识别，一共5中水果。 数据集放在“水果数据集”文件夹下 “水果数据集”下的子文件夹有几个子文件夹就是几分类。 代码依次运行 python 01数据集文本生成制作.py 会在本地生成test.txt和train.txt两个文本 里面存放的是图片路径和对应的标签序号。 python 02resnet迁移学习.py 会生成模型model.ckpt。 python 03flask_server.py 是打开服务端，调用训练好的model水果分类模型，小程序界面上传图片会通过这个代码进行接受并返回检测结果。 然后在小程序工具平台打开小程序部分的代码直接运行即可。

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

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

music_recommender