这是我的学士论文。 主要用于欧洲的车牌。 训练集的照片主要是在汽车尾部和头部的停车场拍摄的。 因为神经网络的训练是EXTREMELY TARGETED，例如：如果你的测试照片和我的训练集（包括分辨率、场景、颜色）有很大的差异，就会导致识别不准确。 在这种情况下，您可以使用文件中的两个训练函数来训练您需要识别的场景。 由于我个人能力，没有大数据集提供给我，我的训练数据也只有几百张图片。 如果您有更多的训练数据，则可以获得更好的结果。 车牌识别由三部分组成： 1.图像预处理2.车牌定位3.字符识别 定位模块： 主要思想是首先在适当的图像预处理（形态学处理）后搜索8个连通区域。 如果这一步成功，8-connectivty 捕获的区域通常比神经网络锁定的区域更准确。 车牌和类似标志具有不同于周边区域的明显区域特征：车牌与其周边区域没有通过共同特征连接。 整个预处理图像被二值化并存储在逻辑矩阵中

深度卷积网络提取的表情特征易受背景、个体身份等因素影响,其与无用特征混合在一起对表情识别造成干扰。针对此问题,提出一种基于注意力模型的面部表情识别算法,该方法基于一个轻量级的卷积神经网络以避免过拟合,通过通道注意力模块和空间注意力模块对特征图元素进行加强或抑制,应用残差学习单元使注意力模型学习到更丰富的特征并获得更好的梯度流。此外,还提出一种面部表情关键区域截取方案,以解决非表情区域的噪声干扰问题。在两个常用的表情数据集CK+和MMI上对所提方法进行了验证,实验结果证明了该方法的优越性。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

CNN(卷积神经网络)和LSTM(长短期记忆网络)的细节 卷积神经网络是一种特别有效的提取图像特征的手段。一个在大数据集如ImageNet上预训练好的模型能够非常有效的提取图像的特征。 长短期记忆网络能够处理长短不一的序列式数据，比如语言句子。给定一个输入，网络能够给出一个序列输出。

本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。 项目封装了比较通用的校验、训练、验证、识别、API模块，极大的减少了识别字符型验证码花费的时间和精力。 本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。 项目封装了比较通用的校验、训练、验证、识别、API模块，极大的减少了识别字符型验证码花费的时间和精力。 本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。 项目封装了比较通用的校验、训练、验证、识别、API模块，极大的减少了识别字符型验证码花费的时间和精力。 本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。 项目封装了比较通用的校验、训练、验证、识别、API模块，极大的减少了识别字符型验证码花费的时间和精力。 本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。 项目封装了比较通用的校验、训练、验证、识别、API模块，极大的减

java 人脸识别源码下载CnnForAndroid：Android平台上使用卷积神经网络（CNN）的分类项目。 它还支持Caffe模型 CnnForAndroid 是一个android平台的深度学习实现，使用Tiny-cnn结构，提供两种识别样本：一种是caffe net的性别识别； 二是tiny-cnn网的车标识别。 待办事项列表 添加 opencl 支持。 更改为 tiny-dnn 新版本 优化代码，提高速度。 依赖关系 （适用于Android平台Opencv-2.4.9） （旧版本） 支持Caffe模型 tiny-cnn 提供了caffe-convertor.cpp 来支持caffe 模型。项目也支持caffe 模型编译caffe_convertor 和protobuf。 性别承认 该项目还为 caffe 模型提供了一个样本，用于区分男性和女性，也称为性别识别。 1.训练数据从哪里来？ MORPH Album 2. the test accuracy is 90.01% in my caffe's net. 2.caffe网？ 3.如何训练自己的caffe模型？ (1)Plea

具有并行计算的卷积神经网络的C ++库（openMP，CUDA，MPI） 用法： g ++ -std = c ++ 11 -fopenmp lenet.cpp -o lenet ./lenet 这是模型的多线程版本（具有数据并行性），您可以使用以下方法更改线程数： 导出OMP_NUM_THREADS = 4 要使用MPI版本的代码，您需要使用mpic ++进行编译： mpic ++ -std = c ++ 11 -fopenmp lenet.cpp -o lenet 您可以在多节点系统上运行它！ 创建自己的网络 您可以通过派生Model类并使用addLayer（）方法按顺序添加所有图层来创建自己的深度神经网络类。 您还可以通过扩展ActivationLayer来引入自己的激活层。 您可以通过扩展LossFunction类来创建自定义Loss函数。 工作正在进行中 使用以下方法进

线性卷积的FFT算法及其matlab实现.docx

聚束SAR快速卷积反投影成像算法的研究.doc

1.仿真代码 clear all EbN0 = 0:2:10; %SNR范围 N = 1000000; %消息比特个数 M = 2; %BPSK调制 L = 7; %约束长度 tre1 = poly2trellis(L,[171 133]); %卷积码的生成多项式 tblen = 6*L; %Viterbi译码器回溯深度 msg = randi([0,1],1,N); %消息比特序列 msg1 = convenc(msg,tre1); %卷积编码 x1 = pskmod(msg1,M); %BPSK调制 for ii=1:length(EbN0) ii y = awgn(x1