传统的文本检测方法大多采用自下而上的流程，它们通常从低级语义字符或笔画检测开始，然后进行非文本组件过滤、文本行构建和文本行验证。复杂场景中文字的造型、尺度、排版以及周围环境的剧烈变化，导致人的视觉系统是在不同的视觉粒度下完成文本检测任务的，而这些自底向上的传统方法的性能很大程度上依赖于低级特征的检测，难以鲁棒地适应不同粒度下的文本特征。近年来，深度学习方法被应用于文本检测中来保留不同分辨率下的文本特征，但已有的方法在对网络中各层特征提取的过程中没有明确重点特征信息，在各层之间的特征映射中会有信息丢失，造成一些非文本目标被误判，使得检测过程不仅耗时，而且会产生大量误检和漏检。为此，提出一种基于注意力机制的复杂场景文本检测方法，该方法的主要贡献是在VGG16中引入了视觉注意层，在细粒度下利用注意力机制増强网络内全局信息中的显著信息。实验表明，在载有GPU的Ubuntu环境下，该方法在复杂场景文本图片的检测中能保证文本区域的完整性，减少检测区域的碎片化，同时能获得高达87%的查全率和89%的查准率。

pcanet的matlab代码PCANet上的论文 关于“使用 PCANet 进行浸润性导管环瘤 (IDC) 分类”的最后学期论文。 详情如下。 第 1 步：使用“git clone”克隆此 repo 第 2 步：使用“cd /Thesis-On-PCANet/Code”转到代码forler 第 3 步：打开 matlab 并将 matlab 目录更改为项目代码目录。 第 4 步：打开并运行“BreastHisto.m”文件。 对于第 3 步，请按照以下图片进行操作 – 复制此当前目录路径。 就我而言，突出显示的文本是目录路径。 将复制的目录路径粘贴到 matlab 路径/url 字段中，然后按 Enter。 现在从左侧窗口打开 BreastHisto.m 文件并运行它。

基于深度学习网络的露天停车场汽车检测.pdf

基于深度学习网络PSP-NET的前列腺MR图像的分割.pdf

深度神经网络压缩自动化的挑战与机遇.pdf

基于树莓派的深度学习网络手势识别系统.pdf

基于深度学习网络模型的车辆类型识别方法研究.pdf

深度学习网络的光通信系统入侵行为识别.pdf

深度学习网络视频资料（含部分源码）： tensorflow 2.0 caffe 请大家放心下载，有问题及时私信联系

什么是AKG AKG（自动内核生成器）是针对深度学习网络中的运营商的优化程序。 它具有自动将操作与特定模式融合的功能。 AKG与MindSpore-GraphKernel配合使用，可提高在不同硬件后端运行的网络的性能。 AKG包含三个基本的优化模块：标准化，自动调度和后端优化。 正常化。 为了解决多面体（只能处理静态线性程序）表达能力的局限性，首先需要对计算IR进行归一化。 标准化模块的主要优化包括自动内联，循环融合，公共子表达式消除等。 自动排程。 自动调度模块基于多面技术，主要具有自动矢量化，自动平铺，线程/块映射，依赖关系分析和内存提升。 后端优化。 后端优化模块主要包括TensorCore加速，双缓冲区优化，存储平坦化优化和注入同步优化。 硬件后端支持 目前支持GPU V100/A100 。 列表中有更多后端。 建立 用MindSpore构建 有关详细信息，请参见 。 独