基于卷积神经网络-双向门控循环单元结合注意力机制(CNN-BIGRU-Attention)多维时间序列预测，matlab代码，2020版本及以上。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

基于卷积神经网络-双向长短期记忆网络(CNN-BILSTM)数据回归预测，多变量回归预测模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

开发技术环境： Pycharm + Python3.6 + PyQt5 + OpenCV + 卷积神经网络模型 本文采用卷积神经算法对驾驶室内的驾驶员进行实时的面部图像抓拍，通过图像处理的技术分析人眼的闭合程度，从而判断驾驶员的疲劳程度。本文介绍了对目标图像进行人脸检测，然后在分割出的人脸图像中，对人脸图像进行水平投影，并根据水平投影得到的人眼上下眼睑，定位出人眼的位置，而且根据人眼的上下眼睑可以通过事先给出的一定判别标准，判断眼部是否处于疲劳状态，从而达到疲劳检测的目的。当检测出驾驶员处于疲劳时，系统会自动报警，使驾驶员恢复到正常状态，从而尽量规避了行车的安全隐患，并且系统做出预留功能，可以将驾驶员的疲劳状态图片发送给指定的服务器以备查询。因此组成本系统中系统模块如下： （1）视频采集模块 （2）图像预处理模块 （3）人脸定位模块 （4）人眼定位模块 （5）疲劳程度判别模块 （6）报警模块

本文来自csdn，文章先来卷积神经网络和全连接神经网络对比，接着让我们直观理解卷积，卷积计算流程，结合案例进行相关的介绍。卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。 它包括卷积层(convolutionallayer)和池化层(poolinglayer)。对比：卷积神经网络、全连接神经网络左图：全连接神经网络（平

5-机器学习系列（5）：卷积神经网络CNN之--原理及python实现1

Javascript中的深度学习，实现在浏览器中训练卷积神经网络

使用深度卷积网络的语义感知图像压缩 该代码是论文一部分，论文摘要在本页底部提供。 它包括三个部分： 生成感兴趣的多结构区域（MSROI）的代码（使用CNN模型。已提供了预训练的模型） 使用MSROI映射在语义上将图像压缩为JPEG的代码 训练CNN模型的代码（供1使用） 要求： 张量流 脾气暴躁的 大熊猫 Python PIL Python SKimage 有关详细的要求列表，请参阅requirements.txt 推荐： Imagemagick（用于更快的图像操作） VQMT（用于获取指标以比较图像） 目录 如何使用此代码？ 生成地图 ``` python generate_map.py ``` 在“输出”目录中生成地图和覆盖文件。 如果收到此错误 ``` InvalidArgumentError (see above for traceb

针对以人为中心的井下视频监控模式存在持续时间受限、多场景同时监视困难、人工监视结果处理不及时等问题,提出了基于深度卷积神经网络的井下人员目标检测方法。首先将输入图片缩放为固定尺寸,通过深度卷积神经网络操作后形成特征图;然后,通过区域建议网络在特征图上形成建议区域,并将建议区域池化为统一大小,送入全连接层进行运算;最后,根据概率分数高低选择最好的建议区域,自动生成需要的目标检测框。测试结果表明,该方法可以成功检测出矿井工作人员的头部目标,准确率达到87.6%。

【车辆识别】基于卷积神经网络yolov3识别车辆和车辆速度附matlab代码

本应用为“车牌检测与识别”，检测模型基于卷积神经网络训练，训练平台为yolov5s，车牌检测训练样本数据集大概有5000张，车牌识别训练样本数据集大概有2000张。本应用包括以下三部分：训练数据集（已经标注，可采用yolov5进行训练）、车牌检测模型文件和车牌字符识别模型文件（包括pt格式和onnx格式）、基于java swing构建的demo程序（基于此，可以扩展成WEB应用、微服务等）。