一、前言 此示例演示如何创建和训练一个简单的卷积神经网络，以使用深度学习对 SAR 目标进行分类。 深度学习是一种强大的技术，可用于训练健壮的分类器。它已经在从图像分析到自然语言处理的不同领域显示出其有效性。这些发展对SAR数据分析和SAR技术具有巨大的潜力，正在慢慢实现。SAR相关算法的一项主要任务一直是目标检测和分类，称为自动目标识别（ATR）。在这里，我们使用一个简单的卷积神经网络来使用深度学习工具箱对SAR目标进行训练和分类。 深度学习工具箱提供了一个框架，用于设计和实现具有算法、预训练模型和应用程序的深度神经网络。 此示例演示如何： • 下载数据集。 • 加载和分析图像数据。 • 数据的拆分和扩充。 • 定义网络体系结构。 • 训练网络。 • 预测新数据的标签并计算分类精度。 为了说明此工作流程，我们将使用空军研究实验室发布的移动和静止目标获取和识别 （MSTAR） 混合目标数据集 [1]。我们的目标是开发一个模型，根据SAR图像对地面目标进行分类。 二、下载数据集 此示例使用的 MSTAR 目标数据集包含来自 8688 个地面车辆的 7 个 SAR 图像和一个校准目标。

关于生成对抗GAN的干货都在这里了。

利用Pytorch，opencv进行人脸口罩佩戴检测，并且在视频流中显示出来。 里面包含代码文件(.py)，数据集文件和训练好的模型文件。如果感觉检测效果不是很好，可以自己重新训练。

使用方法：运行main.py文件即可，或者命令行输入"python main.py"。

1.深度学习实现中草药(中药材)识别《Pytorch实现中药材(中草药)分类识别(含训练代码和数据集)》 https://blog.csdn.net/guyuealian/article/details/129880963 2.中草药(中药材)图片数据集(Chinese-Medicine-163)： https://blog.csdn.net/guyuealian/article/details/129883396

考虑到现实环境中的人脸图片在角度、光线、分辨率上的复杂程度，对Inception-ResNet-V1网络结构进行了改进，同时完成了数据集制作、超参数调节等相关工作，并在家庭服务机器人平台上进行了实验研究。实验结果表明，改进的网络结构在LFW测试集上准确率达到99.22%，高于原始网络结构的99.05%；在亚洲人脸数据集上准确率达到99.20%，高于原始网络结构的97.10%；在自建非匹配人脸数据集上误识别率为3.43%，低于原始网络结构的12.28%。可以看出，与原始网络结构相比，改进网络结构提升了人脸识别的准确率且降低了误识别率。

资源包含文件：设计报告word+源码及数据 该系统实现了基于深度框架的语音识别中的声学模型和语言模型建模，其中声学模型包括 CNN-CTC、GRU-CTC、CNN-RNN-CTC，语言模型包含 transformer、CBHG，数据集包含 stc、primewords、Aishell、thchs30 四个数据集。 声学模型采用 CTC 进行建模，采用 CNN-CTC、GRU-CTC、FSMN 等模型 model_speech，采用 keras 作为编写框架。 详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/122512802?spm=1001.2014.3001.5502

由于C++语言的运行优势，多数算法模型在实际应用时需要部署到C++环境下运行，以提高算法速度和稳定性 主要讲述WIn10下在VS工程中通过Opencv部署yolov5模型，步骤包括： 1.python环境下通过export.py导出.onnx模型 2.C++环境下通过opencv的DNN模块进行模型导入和调用 部署完成后的检测效果如下图所示（CPU下运行，无加速！） 适合刚开始转战C++的算法小白

由于C++语言的运行优势，多数算法模型在实际应用时需要部署到C++环境下运行，以提高算法速度和稳定性 本文主要讲述WIn10下在VS工程中通过Opencv部署yolov5模型，步骤包括： 1.python环境下通过export.py导出.onnx模型 2.C++环境下通过tensorrt进行模型导入和调用，过程中实现int8量化加速 适合刚开始部署模型的小白或者研究者，内附教程

车牌识别，YOLOv3、Densenet、卷积神经网络、python