K210板子，模型加程序文件，可识别数字（0~9）显示至屏幕上，识别度相当高，有模型测试截图（写毕业设计或者写技术报告会很方便哦）

反馈卷积神经网络用于视觉定位和分割 该代码是的。 该代码是用编写的，非常易于理解。 还有一个，如果您使用Caffe和Matlab，请进行检查。 要求： 的Python 3 火炬0.4.0 如何运行： 用jupyter notebook打开jupyter notebook 然后打开vgg_fr.ipynb或vgg_fsp.ipynb ，这是两个用于展示反馈思想的主要文件。 外观： 如果在不修改代码的情况下运行vgg_fsp.ipynb ，则应该看到以下可视化效果： 输入图片： 相对于目标标签的图像梯度： 反馈选择性修剪（FSP）的4次迭代后，相对于目标标签的图像梯度： 文件说明： vgg_fr.ipynb ：使用反馈恢复机制定义vgg反馈网络并在示例图像上运行反馈可视化的主文件。 vgg_fsp.ipynb ：主文件，该文件使用反馈选择性修剪机制定义vgg反馈网络，并在

layers = [ imageInputLayer([22 1 1]) % 22X1X1 refers to number of features per sample convolution2dLayer(3,16,'Padding','same') reluLayer fullyConnectedLayer(384) % 384 refers to number of neurons in next FC hidden layer fullyConnectedLayer(384) % 384 refers to number of neurons in next FC hidden layer fullyConnectedLayer(2) % 2 refers to number of neurons in next output layer (number of output classes) softmaxLayer classificationLayer];

CNN卷积神经网络训练不使用MATLAB的深度学习工具箱，matlab2021a运行测试

基于PCNN卷积神经网络的图像去噪仿真 X1=(double(imread('2.bmp'))); X = X1(:,:,2); figure; imshow((X),[]); Weight=[0.5 1 0.5;1 0 1;0.5 1 0.5];%3*3临近神经元连接权重矩阵 Beta = 0.1;%连接强度常数 Yuzhi = 256; Decay = 0.1;%衰减时间常数 [a,b]=size(X); Threshold = zeros(a,b);%神经元阈值矩阵 S= zeros(a+2,b+2);%用于存储邻近神经元的输出 B= zeros(a,b);%标记样板,表明该PIXEL是否被激活过 Y=zeros(a,b);%结果矩阵 T=zeros(a,b); Edge= zeros(a,b);%边缘图 n=1;

基于mnist数据库的CNN卷积神经网络训练不使用matlab工具箱，matlab2021a仿真运行

甲状腺 用于评估在超声中观察到的甲状腺结节的代码库：与使用ACR TI-RADS的放射科医生进行深度学习的比较。 由开发。 它包含使用Keras框架和TensorFlow后端的多任务CNN模型的实现。 如果您在研究中使用此代码，请考虑引用以下内容： @article{buda2019evaluation, title={Evaluation of Thyroid Nodules Seen on Ultrasound: Comparison of Deep Learning to Radiologists Using ACR TI-RADS}, author={Buda, Mateusz and Wildman-Tobriner, Benjamin and Hoang, Jenny K and Thayer, David and Tessler, Franklin N an

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：基于训练卷积神经网络的人脸识别设计_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

【深度学习】CNN卷积神经网络-识别阿喵阿汪源代码

集合了卷积神经网络从神经网络分类Alnex,GoogleNet v1-v4,VGG,Resnet,Network in Network论文，图像检测R-CNN,FAST-RCNN,Faster-rcnn，Mask-rcnn，SSPN-net，SSD,YOLO，YOLO_v2,YOLO_v3