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

ICCV2015 tutorial convolutional feature maps Kaiming He ICCV 2015 CNN 卷积神经网络 目标检测 教程 何凯明

安全技术-网络信息-深度卷积神经网络在车牌和人脸检测领域的应用研究.pdf

Face-Recognition-by-CNN.zip，这是一份不错的文件

cnn-text-classification-tf-master，一个卷积神经网络的小实例，基于TensorFlow