卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络。

资源内容为卷积神经网络实例（手写字母识别）--PyTorch。 如果没有积分或者打不开的朋友可以联系邮箱：1454196320@qq.com

机器学习–利用卷积神经网络进行鸟类识别 具体解析请看链接： https://blog.csdn.net/weixin_44602933/article/details/116547300?spm=1001.2014.3001.5502

[深度卷积神经网络原理与实践][周浦城 等][程序源代码]

matlab填充图像算法代码CNN_频谱图_算法 一种使用卷积神经网络 (CNN) 从原始 EEG 数据中对频谱图进行分类的方法 SpectrogramClassificationAlgorithm.ipynb：使用来自训练和有效文件夹的数据训练模型，对来自测试文件夹的数据进行测试 Use_pretrained_model.ipynb：使用来自训练模型的模型权重，测试来自测试文件夹的新测试数据 fastai 文件夹中的代码来自 Jeremy Howard 的 fastai 0.7 版： 数据结构 要运行任一笔记本，您必须具有以下结构的数据文件夹： 数据/ ├──火车/ ├── Yes ├── No ├── 有效/ ├── Yes ├── No ├──测试/ 对于 SpectrogramClassificationAlgorithm.ipynb：Yes 和 No 子文件夹包含我们训练模型的正面和负面案例图像。 测试文件夹包含我们测试模型的未分类图像。 对于 Use_pretrained_model.ipynb：测试文件夹包含要由我们的预训练模型 (saved_model.pkl) 评估的

近年来，深度学习中的卷积神经网络已经广泛运用于图像识别领域，它不仅显著提升了识别准确率，同时在特征提取速度方面也优于许多传统方法。针对高速公路环境下的车型识别问题，引入卷积神经网络（CNNs）理论，设计相应特征提取算法，并结合SVM分类器构建识别系统。通过对高速公路上主要三种车型（小车、客车、货车）的分类实验显示，该方法在识别精度及速度上均取得了较显著的提高。

5.0版本 已经解决很多bug 能在我自己的电脑上运行

针对现有室内定位技术存在的问题，文中提出一种精度高、成本低且易用性高的室内定位系统。系统采集并处理监控摄像头中的视频信号，用计算机视觉算法从视频流中提取并追踪行人的位置信息，通过基于卷积神经网络的物体追踪算法处理遮挡状况。通过智能手机内嵌传感器采集的运动特征并与心中的行人特征对比，系统可以在视频画面内的诸多行人中准确识别出持有智能手机的定位服务发起者，并报告实时的定位信息，定位平均误差可达到三十厘米以下。

Cutout是一种简单的卷积神经网络正则化方法，包括在训练期间屏蔽输入图像的随机部分

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：卷积神经网络CNN进行图像分类_CNN_图像分类_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