基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像

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

四个机器学习实验，主要涉及简单的线性回归、朴素贝叶斯分类器、支持向量机、CNN做文本分类，内附实验指导书、讲解PPT、参考代码 1、实验讲解PPT 4份 实验一 线性回归模型实验指导 实验二 支持向量机模型实验指导 实验三 贝叶斯分类解决西瓜问题 实验四 基于tensorflow实现CNN文本分类 2、实验指导书 4份 实验一 线性回归实验指导书 实验二 支持向量机实验指导书 实验三 贝叶斯分类实验指导书 实验四 基于tensorflow实现cnn文本处理实验指导书 3、实验参考代码 4份 实验一 LinearRegression 实验二 SVM 实验三 bayes_classify_demo 实验四 cnn-text-classification-tf

1 绪论 2 1.1 字符识别概述 2 1.2 数字识别研究的目的及意义 2 1.3 手写数字识别的典型应用 3 1.4 国内外研究现状 4 1.5 手写体数字识别系统概述 5 1.6 本文内容安排 6 2 手写体数字识别中预处理技术 7 2.1 图像灰度化 7 2.2 图像二值化 8 2.3 图像反色 9 2.4 图像去噪声 10 2.5 数字分割 11 2.5 数字归一化 11 2.5 数字细化 13 3 手写体数字识别中特征值提取技术 16 3.1 特征提取概述 16 3.2 手写体字符特征提取方法概述 18 3.3 手写体数字识别中的结构特征提取 19 3.4 手写体数字识别中的统计特征提取 20 4 人工神经网络分类器 21 4.1 人工神经网络概述 21 4.2 BP神经网络概述 21 4.3 本文的神经网络结构设计 21 5 系统实现与结果分析 24 5.1 系统实现 24 5.1.1 系统实现环境 24 5.1.2 系统处理流程图及主要工作 25 5.1.3 系统界面 26 5.2 结果分析 26 6 结束语

DoubleU-Net：用于医学图像分割的深度卷积神经网络 DoubleU-Net以VGG19作为编码器子网开始，其后是解码器子网。在网络中，输入图像被馈送到修改后的UNet（UNet1），后者会生成预测的蒙版（即output1）。然后，我们将输入图像与生成的蒙版（即output1）相乘，该蒙版用作第二个修改的U-Net（UNet2）的输入，该第二个U-Net（UNet2）生成另一个生成的蒙版（output2）。最后，我们将两个掩码（输出1和输出2）连接起来，以获得最终的预测掩码（输出）。 请在此处找到论文： ，Arxiv： 建筑学 数据集： 本实验使用以下数据集： MICCAI 2015细分挑战赛（用于培训的CVC-ClinicDB和用于测试的ETIS-Larib） CVC诊所数据库 病变边界分割挑战/ li> 2018数据科学碗挑战赛 超参数： 批次大小= 16 纪元数= 300

音乐信息检索 音乐结构分割代码 自带下载原始数据程序 提取特征MFCC，Fbank Log-specgram、 CNN-LSTM 使用SALAMI数据集，包含linux下代码和程序文档。

北邮自动化+机器学习+实验+卷积神经网络+yhh+作业居多的老师+可直接运行提交

深度学习进行物体检测的鼻祖论文，学习目标检测的经典文献，中英文对照翻译。。。

关于数据 请参考YOLO-V3-Tensorflow 1. 训练模型前的准备 A.数据准备 数据的标注仍然采用VOC格式的数据标注形式，如果是其他的标注形式比如COCO请自行实现相关代码。将数据最终转化为如下形式： # 单行数据的结构： (path_filename, x1, y1, x2, y2, class_name) # Note: # 一个path_filename 可能对应多个类别(class_name)，每个类别占用一行数据 # x1, y1, x2, y2 是原图像的坐标, 而不是ratio后图像上的坐标 # (x1, y1) 标注框的左上坐标; (x2, y2) 标注框的右下坐标 # x1,y1------------------- # | | # | | # | |

1:包含图像预处理，车牌倾斜校正，车牌过滤、车牌字符分割，车牌字符识别。 2:压缩包包含代码与数据集 3:代码包含基于CNN的车牌过滤训练，字符识别训练，生产模型。 4：主程序进行图像预处理和车牌识别