图像分割任务中，传统的基于人工设计特征方法工作量大、复杂度高、分割精度较低，现有的基于全卷积神经网络（fully convolutional networks，FCN）的方法在分割边缘上不够精细。为了提高图像分割算法的分割精度，提出基于多源融合的全卷积神级网络模型，输入图片经过Sobel算子提取边缘特征获得特征矩阵，与RGB和灰度图像一起作为输入，将传统全卷积网络拓展成具有多种输入源的分割模型。在PASCAL VOC2012图像分割数据集上进行实验验证，结果显示该模型提高了图像分割的精度，具有良好的实时性和鲁棒性。

基于全卷积神经网络的中文语音识别系统 基于全卷积神经网络的中文语音识别系统 简介简介 通过git克隆仓库以后，需要将数据列表目录下的文件全部复制到数据集目录下，也就是将其跟数据集放在一起。 $ cp -rf datalist/ * dataset/ 目前可用的模型有24、25和251 本项目开始训练请执行： $ python3 train_mspeech.py 本项目开始测试请执行： $ python3 test_mspeech.py iters_num （这里的iters_num为迭代的step数，可以在生成的step_dfcnn.txt文件里查看） 测试之前，请确保代码中填写的模型文件路径存在。 ASRT API服务器启动请执行： $ python3 asrserver.py 模型模型 语音模型语音模型 CNN + LSTM / GRU + CTC 语言模型 基于概率图的最大

Java EE 7权威指南全卷 Java EE 7权威指南全卷 Java EE 7权威指南全卷

SiamFC：利用全卷积孪生网络进行视频跟踪-附件资源

行业分类-物理装置-基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法.zip

老版经典!最详细的juniper命令介绍和实例参考指南全卷合订2000多页

针对脉内无意调相实现雷达辐射源个体识别时存在的分类模型性能不佳的问题，提出了一种长短时记忆加全卷积网络的雷达辐射源个体识别方法。首先给出了脉内信号相位的简化观测模型，并对观测相位序列进行去斜处理，提取无意调相的含噪估计；然后利用贝塞尔曲线拟合无意调相，降低噪声的影响，获得无意调相更为精确的描述；最后利用长短时记忆加全卷积网络提取无意调相序列的联合特征，实现雷达辐射源个体自动识别。仿真实验以及实测数据实验均验证了所提算法的可行性与有效性，实验结果表明，所提算法识别正确率高、耗时短。

英文 英特尔® 64 位和 IA-32 架构开发人员手册 全卷 asd

对于语音的情感识别,针对单层长短期记忆(LSTM)网络在解决复杂问题时的泛化能力不足,提出一种嵌入自注意力机制的堆叠LSTM模型,并引入惩罚项来提升网络性能。对于视频序列的情感识别,引入注意力机制,根据每个视频帧所包含情感信息的多少为其分配权重后再进行分类。最后利用加权决策融合方法融合表情和语音信号,实现最终的情感识别。实验结果表明,与单模态情感识别相比,所提方法在所选数据集上的识别准确率提升4%左右,具有较好的识别结果。

用于时间序列分类的多元LSTM-FCN MLSTM FCN模型（来自 FCN）使用最新的单变量时间序列模型（来自的最新的单变量时间序列模型，LSTM-FCN和ALSTM-FCN来增强挤压和激励块。 对于LSTM-FCN和ALSTM-FCN模型的代码可以在这里找到 。 安装 下载存储库并应用pip install -r requirements.txt安装所需的库。 具有Tensorflow后端的Keras已用于开发模型，并且目前不支持Theano或CNTK后端。 权重尚未通过这些后端进行测试。 注意：所有模型的“输入”层的输入都将被预先混洗为形状（“批量大小”，“变量数”，“时间步数”）