卷积神经网络在字符识别方面的应用.doc

双三次卷积模板算法.doc

使用FCN进行图像分割 使用Keras框架和Python3，我实现了一个包括其编码器和解码器的全卷积网络“ FCN”，以对室内场景图像（如卧室，客厅和饭厅）进行分割，以最终令人满意的精度，损失和平均交集超过了MIoU ”。 结果

验证码技术是确保网站安全性和用户信息隐私性的第一道保障。针对多样化的验证码，其识别技术也很多，传统验证码技术主要分为人工识别、字典模型识别和验证码图像分割识别，其中字典模型中较为典型的Tesseract-OCR，其识别率相对较低，过程操作复杂，需要对识别错误的文字做出修改不适合对复杂验证码做出高效迅速的识别。本文使用TensorFlow框架实现卷积神经网络算法对验证码进行识别，利用Captcha包下提供的ImageCaptcha（）方法生成模拟现实网站的验证码，利用卷积神经网络对生成的验证码进行训练生成训练模型，通过训练模型进行对测试集的测试得到识别率，识别率可达到97%以上远超传统验证码识别算法。

该代码使用联合稀疏表示模型来提高超声成像的轴向分辨率。 所提出的模型将沿轴向的稀疏反卷积与沿横向的稀疏偏好约束相结合。 有关详细信息，请参阅 J. Duan 等人，“使用联合稀疏表示模型提高超声成像的轴向分辨率”。

快速傅里叶变换FFT求卷积，原理为时域卷积等于频域乘积然后再反变换回去，FFT函数既能进行傅里叶正变换也能进行反变换。

详细介绍与分析了符合CSSDS编码标准的(7,1/2)卷积编码及其维特比译码算法的软件实现

an implementation of Video Frame Interpolation via Adaptive Separable Convolution using PyTorch pytorch-sepconv 这是使用 PyTorch 通过自适应可分离卷积 [1] 进行视频帧插值的参考实现。 给定两个帧，它将以可分离的方式利用自适应卷积 [2] 来插入中间帧。 如果您使用我们的工作，请引用我们的论文 [1]。 对于这项工作的 Torch 版本，请参阅：https://github.com/sniklaus/torch-sepconv setup 要构建实现并下载预训练的网络，请运行 bash install.bash 并确保您配置了 CUDA_HOME环境变量。 成功完成此步骤后，运行 python run.py 进行测试。 如果您在执行期间收到有关无效设备功能的错误消息，请将 install.bash 中使用的 CUDA 架构配置为您的显卡支持的内容。 用法 要在您自己的帧对上运行它，请使用以下命令。 您可以选择 l1 或 lf 模型，请参阅我们的论文了

卷积神经网络过程可视化方面的论文，非常详细，香港科技大学最新研究成果

用卷积滤波器matlab代码Matlab卷积自动编码器 卷积自动编码器的成本函数（cautoCost2.m）和成本梯度函数（dcautoCost2.m）。 网络体系结构相当有限，但是这些功能对于将输入与一组过滤器进行卷积然后重构的无监督学习应用程序应该是有用的。 这对于发现数据的平移不变特征也很有用。 输入被输入到卷积层，该卷积层是应用于所有用户定义的数据子集的一组过滤器。 卷积层的输入输出功能是S形的。 重建层（或输出层）是线性的。 夹在卷积和重建层之间的可选附加隐藏层是S形。 可以在文件cautoCost2.m的注释中找到更多信息。 注意：此代码在一些地方使用了parfor，这是并行的for循环。 这需要并行化工具箱。 如果没有并行化工具箱，请将parfor循环替换为for循环。