无人驾驶的感知部分作为计算机视觉的领域范围，也不可避免地成为CNN发挥作用的舞台。本文是无人驾驶技术系列的第八篇，深入介绍CNN（卷积神经网络）在无人驾驶3D感知与物体检测中的应用。卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种适合使用在连续值输入信号上的深度神经网络，比如声音、图像和视频。它的历史可以回溯到1968年，Hubel和Wiesel在动物视觉皮层细胞中发现的对输入图案的方向选择性和平移不变性，这个工作为他们赢得了诺贝尔奖。时间推进到上世纪80年代，随着神经网络研究的深入，研究人员发现对图片输入做卷积操作和生物视觉中的神经元接受局部receptiv

运用python实现卷积神经网络，解释CNN是如何一步一步的进行，很适合了解CNN的具体某一步！

基于MINST数据库的手写体数字识别CNN设计，其中CNN自己编程实现，包括卷积层，池化层以及激活层等，不使用matlab工具箱。matlab2021a或者高版进行测试。由于MINST数据库数据库较大，运行较慢，请耐心等待。

利用单层CNN网络提取手写体数字图像的特征，并采用双层全连接网络完成手写体数字的多分类任务。实验数据集选取无偏性较好的MNIST数据。

时序预测 | MATLAB实现CNN-LSTM时间序列预测（完整源码和数据） 数据为一维时序列数据，运行环境MATLAB2020b及以上。

回归预测 | MATLAB实现CNN(卷积神经网络)多输入单输出（完整源码和数据） 多输入单输出，运行环境MATLAB2018b及以上。

为了进一步提高网络异常检测的准确率, 本文在对现有入侵检测模型分析的基础上, 提出了一种基于卷积神经网络和支持向量机的网络报文入侵检测方法. 该方法首先将数据预处理成二维矩阵, 为了防止算法模型过拟合, 利用permutation函数将数据随机打乱, 然后利用卷积神经网络CNN从预处理后的数据中学习有效特征, 最后通过支持向量机SVM分类器将得到的向量进行分类处理. 在数据集选择上, 采用网络入侵检测常用的权威数据集—京都大学蜜罐系统数据集, 通过与GRU-Softmax、GRU-SVM等现有检测率较高的模型进行实验对比, 该模型在准确率上最高分别提高了19.39% 和12.83%, 进一步提升了网络异常检测的准确度. 同时, 本研究所提出方法在训练速度和测试速度上有较大提高.

inaSpeechSegmenter inaSpeechSegmenter是一个基于CNN的音频分段工具包。 它将音频信号分成语音，音乐和噪音的均匀区域。 语音区域分为使用说话者性别（男性或女性）标记的片段。 男性和女性分类模型针对法语进行了优化，因为他们是使用法语说者进行培训的（说话者性别的声学相关性取决于语言）。 对应于音乐之上的语音或噪声之上的语音的区域被标记为语音。 设计inaSpeechSegmenter的目的是基于男女语音时间百分比估计来执行。 安装 inaSpeechSegmenter是python 3中的框架。仅支持大于或等于3.6的python版本。 可以使用以下过程进行安装： 先决条件 inaSpeechSegmenter需要ffmpeg才能解码任何类型的格式。 可以使用以下命令行完成ffmpeg for ubuntu的安装： $ sudo apt-get in

LCTFP：基于 CNN 和 LSTM 的高速公路交通流量预测模型(python代码) 车站内运行脚本的各个站点的一个半小时内的交通流数据。txt 运行数据_preprocess py。包括读取的所有文件txt。原来的处理数据：数据采集​​、归一化处理时间、处理顺序。 LCTFP使用模型1D CNN + LSTM的组合结构对暴露短时交通流进行预测。1D CNN使用学习时短交通流的空间特征，LSTM使用学习时交通流的时间特征。脚本cnn_lstm_param.py可进行超参数搜索，运行前需安装hyperas。

use CNN recognize captcha by tensorflow. 本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。 项目封装了比较通用的校验、训练、验证、识别、API模块，极大的减少了识别字符型验证码花费的时间和精力。 里面有项目介绍和种种验证码识别的方法，可以快速部署到项目之中，或者对其进行改进和加强，都是很方便的，希望对你们有帮助