具有并行计算的卷积神经网络的C ++库（openMP，CUDA，MPI） 用法： g ++ -std = c ++ 11 -fopenmp lenet.cpp -o lenet ./lenet 这是模型的多线程版本（具有数据并行性），您可以使用以下方法更改线程数： 导出OMP_NUM_THREADS = 4 要使用MPI版本的代码，您需要使用mpic ++进行编译： mpic ++ -std = c ++ 11 -fopenmp lenet.cpp -o lenet 您可以在多节点系统上运行它！ 创建自己的网络 您可以通过派生Model类并使用addLayer（）方法按顺序添加所有图层来创建自己的深度神经网络类。 您还可以通过扩展ActivationLayer来引入自己的激活层。 您可以通过扩展LossFunction类来创建自定义Loss函数。 工作正在进行中 使用以下方法进

针对 YOLO 目标检测算法在小目标检测方面存在的不足 ， 以及难以在嵌入式平台上达到实 时性的问题 ， 设计出了一种基于 YOLO 算法改进的 dense _ YOLO 目标检测算法

一维DCNN用于轴承故障诊断，仿真数据集为CWRU（凯西私储大学的公开轴承数据集） 轴承故障诊断时机械状态监测的热门研究方向，其算法的核心在于信号特征提取与模式分类两个部分。在轴承故障诊断领域，常见的特征提取算法有快速傅里叶变化，小波变换，经验模式分解以及信号的统计学特征等，常见的模式分类算法有支持向量机，BP 神经网络（也称为多层感知器），贝叶斯分类器以及最近邻分类器等。当下轴承故障诊断的研究热点是可以归结为 3 类：寻找更好的特征表达；寻找最适合的特征表达以及分类器的组合；以及发明新的传感器。

基于深度卷积特征的细粒度图像分类研究综述

基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与识别 基于深度卷积神经网络的道路交通标志检测与

基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及

安全技术-网络信息-深度卷积神经网络在车牌和人脸检测领域的应用研究.pdf

文献检索大作业

大数据蕴含大发展，结合不断提升的高性能计算机更是给机器视觉技术带来日新月异的发展。深度卷积神经网络也正是借着这股力量才大放异彩，其主要应用包括语音识别、图像处理、自然语言处理等。本文就当前大环境下研究了卷积神经网络模型在静态环境下入脸识别领域的应用。相对传统人脸识别方法而言，卷积神经网络模型不需要人工进行大量而又复杂的特征提取算法设计，仅需要设计一个可行的网络模型，再将大量的人脸训练数据集加载到网络模型中，然后进行自动训练，这样就可以得到很好的识别率。把训练好的模型保存下来，那么这个模型就是一个端到端的人脸特征提取器。该方法虽然操作简单，但是需要根据训练数据集设计合理的网络结构，而且最难的关键点是超参数的调整和优化算法的设计。因此本文结合残差网络和融合网络构建了两个与计算资源和数据资源相匹配的网络模型，并通过反复调整超参数和调试优化器使其在训练集上能够收敛，最终还取得较好的识别率。

图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模型综述 图像分类的深度卷积神经网络模