针对目前相似性视频检索方法中快速性和准确性仍无法满足用户要求等问题，提出了一种基于3D卷积神经网络的视频快速检索方法。该算法将3D卷积神经网络与哈希学习方法结合应用于视频数据，既能快速学习视频时空特征表示，又能极大地缩短视频检索时间。在常用视频数据集上的实验结果表明，利用所提出的方法对视频进行相似性检索性能优于当前主流方法。

针对水质污染的环境综合监测问题，提出了一种基于卡尔曼滤波和卷积神经网络的水质异常监测方法。 该方法采用Mask R-CNN图像分割方法对鱼进行分割，制作出鱼骨干和背景图像的正样本数据集和负样本数据集，并利用卷积神经网络训练数据集获得模型。 在跟踪过程中，使用RANSAC算法筛选SIFT特征，使用匹配和卡尔曼滤波器跟踪鱼并实时绘制运动轨迹。 每3秒保存一次运动轨迹，总共获得150000个正常和异常水质样本。 实验结果表明，基于卡尔曼滤波和卷积神经网络的水质异常识别率为98.5％，优于传统的水质识别方法。

生物式水质监测通常是先通过提取水生物在不同环境下的应激反应特征，再进行特征分类，从而识别水质。针对水质监测问题，提出一种使用卷积神经网 (CNN)的方法。鱼类运动轨迹是当前所有文献使用的多种水质分类特征的综合性表现，是生物式水质分类的重要依据。使用 Mask-ＲCNN 的图像分割方法，取鱼体的质心坐标，并绘制出一定时间段内鱼体的运动轨迹图像，制作正常与异常水质下两种轨迹图像数据集。融合 Inception-v3网络作为数据集的特征预处部分，重新建立卷积神经网络对 Inception-v3 网络提取的特征进行分类。通过设置多组平行实验，在不同的水质环境中对正常水质与异常水质进行分类。结果表明，卷积神经网络模型的水质识别率为 99. 38%，完全达到水质识别的要求。

超参数优化

基于深度卷积神经网络的地震数据断层识别方法.pdf

用Python+Pytorch实现了卷积神经网络对垃圾图片进行分类，其中还包含了爬虫代码。适合初学者以及大作业ddl选手：）。资源有任何疑问，欢迎留言。

为满足复杂场景下视频烟雾检测的实时性、准确率等需求,提出了一种将高斯混合模型与卷积神经网络相结合的视频烟雾检测方法。基于高斯混合模型的背景减除法和形态学方法实现对视频图像的运动目标提取;针对烟雾检测效率和网络过拟合等问题,设计用于视频烟雾检测的卷积神经网络模型;通过烟雾正负样本图像对卷积神经网络进行训练和测试。在此基础上,合理地设定运动目标网络模型的输出概率的阈值,有效去除训练样本中没有涵盖的非烟雾干扰项,降低误报率。实验结果表明,该方法是可行且有效的,其视频烟雾检测准确率达到97.5%,平均烟雾报警响应时间为4.58 s,可满足复杂场景下烟雾的实时检测要求。

matlab卷积神经网络去噪代码

基于卷积神经网络的人群计数研究.pdf

本人用CNN卷积神经网络编写的手写字体识别，大家可以下载下来参考下，研究生课程的作业