随着无人驾驶和智能驾驶技术的发展，计算机视觉对视频图像检测的实时性和准确性要求也越来越高.现有的行人检测方法在检测速度和检测精度两个方面难以权衡.针对此问题，提出一种改进的Faster R-CNN模型，在Faster R-CNN的主体特征提取网络模块中加入SE网络单元，进行道路行人检测.这种方法不仅能达到相对较高的准确率，用于视频检测时还能达到一个较好的检测速率，其综合表现比Faster R-CNN模型更好.在INRIA数据集和私有数据集上的实验表明，模型的mAP最好成绩能达到93.76%，最高检测速度达到了13.79 f/s.

MIT关于CNN加速器的项目、设计教程、相关文档等。值得学习与参考。具体说明请参考我的博客MIT tutorial学习。MIT project on CNN accelerator, design tutorials, related documentation, etc.It is worth learning and reference

简单来说，卷积(或内积)就是一种先把对应位置相乘然后再把结果相加的运算。(具体含义或者数学公式可以查阅相关资料)

回归预测 | MATLAB实现CNN-LSTM多输入单输出（完整源码和数据） 本次运行测试环境MATLAB2020b，MATLAB实现CNN-LSTM多输入单输出预测。

使用MATLAB的最新的app功能开发的一个带界面车牌识别系统,包括车牌定位，字符分割，CNN识别。打开后，双击，License_plate_recognition_developing.mlapp，启动app对话框，然后点击绿色三角形运行即可。

时序预测 | MATLAB实现CNN(卷积神经网络)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MATLAB2018b及以上。

机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。 卷积神经网络仿造生物的视知觉（visual perception）机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化（grid-like topology）特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程（feature engineering）要求。

DnCNN-张量流 TIP2017论文的张量流执行器， 模型架构 结果 BSD68平均结果 BSD68数据集上不同方法的平均PSNR（dB）结果。 噪音等级 BM3D 无线网络 锁相环 MLP 脑脊液 TNRD 神经网络 神经网络 DnCNN-张量流 25 28.57 28.83 28.68 28.96 28.74 28.92 29.23 29.16 29.17 Set12平均结果 噪音等级 神经网络 DnCNN-张量流 25 30.44 30.38 要求 tensorflow >= 1.4 numpy opencv 数据集 我使用BDS500数据集进行训练

PyTorch implementation of 1712.06087 "Zero-Shot" Super-Resolution using Deep Internal Learning

通过 CNN 等基于深度特征的人脸自发式微表情识别分类方法逐渐完善，相比于传统的特征提取方法更易满足应用实时性，针对微表情持续时间短、动作幅度细微，在多卷积层叠加会丢失图像中的细微信息的问题，为了完善细节信息，充分提取微表情细微特征，提出结合空洞卷积核及人脸自动校正算法，完善 CNN 网络特征提取过程，通过自动人脸矫正适应实际应用中的实时识别分类，在 CASME 及 CASMEⅡ微表情公开数据集上完成模型训练及测试，通过损失函数方案对比提高模型鲁棒性，CASME 中准确率为 70.16%，CASMEⅡ中准确率为 72.26%；实时识别帧率在 60fps。该方法能有效地提高微表情识别准确率，满足实时性要求，且具有较好的鲁棒性和泛化能力。