关于深度学习, 图像处理.卷积神经网络的大量参考论文文献.

图像超分辨率重建( super － resolution，SＲ) 是指从观测到的低分辨率图像重建出相应的高.分辨率图像，在目标检测、医学成像和卫星遥感等领域都有着重要的应用价值． 近年来，随着深度.学习的迅速发展，基于深度学习的图像超分辨率重建方法取得了显著的进步． 为了把握目前基于.深度学习的图像超分辨率重建方法的发展情况和研究热点，对一些最新的基于深度学习的图像.超分辨率重建方法进行了梳理，将它们分为两大类( 有监督的和无监督的) 分别进行阐述． 然后，.在公开的数据集上，将主流方法的性能进行了对比分析． 最后，对基于深度学习的图像超分辨率.重建方法进行了总结，并对其未来的研究趋势进行了展望．

用卷积滤波器matlab代码 Welcome to CNN learning 徐静 HomePage: 关于CNN的基础知识及相关理论推导可以参考： 目录 ResNet Google Inception DensenNet SENet and ResNeXt R-CNN, Selective Search, SPP-net Fast R-CNN Faster R-CNN Light-Head R-CNN Cascade R-CNN SSD系列 Mask R-CNN YOLO Pelee R-FCN FPN RetinaNet MegDet DetNet ZSD RFBNet DeNet 从MobileNet到ShuffleNet 神经风格转换 人脸识别 图像分割 N种卷积 GANs anchor free 常用图像分类CNN结构 ConvNet：卷积神经网络名称 ImageNet top1 acc：该网络在ImageNet上Top1 最佳准确率 ImageNet top5 acc：该网络在ImageNet上Top5 最佳准确率 Published In：发表源（期刊/会议/arXiv）

针对施工环境的复杂性，监管人员对施工人员着装的监督通常存在着一定的困难，较难实现及时、有效的监督等问题，文中提出了一种基于CNN的安全智能监测识别算法。该算法首先通过相关样本图像训练出所需要的安全帽、安全带等四种识别模型。然后利用所得到的模型，对电力施工现场所拍摄的实时图像进行检测识别，从而实现智能化监测。测试结果表明，该算法对于施工人员着装的平均识别准确率可达到89.27 %，验证了该算法的可行性。

介绍卷积神经网络基本原理及典型的卷积神经网络模型，可供感兴趣的本科生及研究生学习，特别适合交流汇报

如果import其他地方找到的yolo.h5可能导致文件不可用，折腾了一下午，终于搞定了这个文件，现在分享出来~

主要说明VGG和Resnet网络提取图像特征

ZynqNet:An FPGA-Accelerated Embedded Convolutional Neural Network 基于FPGA加速的卷积神经网络。原版英文论文。使用Xilinx Zynq XC-7Z045

这是《听说越来越卷，那我们就用卷积神经网络CNN来识别狗狗吧！！》这篇博文中所使用的数据集，免费放在这里供大家使用了啦。

基于深度学习卷积神经网络的地震波形自动分类与识别.pdf