基于DEAP的脑电情绪识别（基于CNN的多目标进化算法选择的人类情绪与脑电图通道的二维区分)，采用的tensorflow框架，模型为深度卷积神经网络模型

在本文中，我们提出了一个双重模型，考虑了脑电特征图的两种不同表示：1）基于序列的脑电频带功率表示，2）基于图像的特征向量表示。我们还提出了一种基于图像模型显著性分析的信息组合方法，以促进两个模型部分的联合学习。该模型已在四个公开可用的数据集上进行了评估：SEED-IV、SEED、DEAP和MPED。 在本文中，我们提出了一个新的框架，旨在估计情绪的脑电图。该模型由一种双重方法组成，该方法通过层次RNN考虑脑电通道之间的空间关系，通过CNN考虑DL表示。所提出的方法在三个数据集上显示了很好的结果。

在本文中，我们提出了一种多尺度卷积神经网络TSception，用于从脑电图（EEG）中学习时域特征和空间不对称性。TSception由动态时间层、非对称空间层和高层融合层组成，这些层同时学习时间和通道维度上的区别表示。动态时间层由多尺度一维卷积核组成，其长度与脑电信号的采样率有关，学习脑电的动态时间和频率表示。非对称空间层利用情绪反应背后的非对称神经激活，学习辨别性的全局和半球表征。学习到的空间表示将通过高级融合层进行融合。使用更广义的交叉验证设置，在两个公开可用的数据集DEAP和MAHNOB-HCI上对所提出的方法进行了评估。该网络的性能与之前报道的方法进行了比较，如SVM、KNN、FBFgMDM、FBTSC、无监督学习、DeepConvNet、ShallowConvNet和EEGNet。在大多数实验中，与比较的方法相比，我们的方法获得了更高的分类精度和F1分数。

假新闻挑战 这是NLP课程的最终项目。 我们的工作包括以下几个部分： 数据预处理 常规机器学习方法 Seq2seq注意模型 TextCNN和暹罗网络 其他（例如比赛中的相关工作，未来的工作） 1.数据预处理 我们提供了几种数据预处理方法：BoW（单词袋），TF-IDF，word2vec，doc2vec。 每个py文件都会生成x_1（文档表示形式）x_2（标题表示形式）和y（标签）。 这些数据可以作为间谍数据输出，可以在模型中使用。 2.常规机器学习 我们提供py文件以通过常规机器学习（例如SVM，随机森林）对实例进行分类，代码在sklearn上实现。 环境要求：sklearn numpy 3. Seq2seq注意模型 这些代码通常基于一个带有预训练模型的基于注意力的序列到序列模型（ ）。 要使用代码生成文本摘要。 运行：python3 run_summarization.py -

基于细胞神经网络CNN的超混沌图像加密算法代码

CNN图像分类pdf讲义超详细

一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD。传统的目标检测算法、候选区域/窗 + 深度学习分类

Keras 示例代码，包括CNN，LSTM，CNN-LSTM等，非常全面。(Keras sample code, including CNN, LSTM, CNN-LSTM, and so on, is very comprehensive.)

CNN+SVM结合的python程序

MatConvNet有一个简单的设计理念。它并没有将CNN包裹在复杂的软件层面上，而是直接将MATLAB命令直接展现为计算CNN构建模块的简单函数，如线性卷积和ReLU运算符。这些构建块很容易组合成完整的CNN，并可用于实现复杂的学习算法。尽管提供了几个真实的小型和大型CNN结构和训练例程，但仍可以利用MATLAB原型设计的高效性回到底层构建自己的结构。通常不需要C编码来实现新的结构。因此，MatConvNet是计算机视觉和CNN研究的理想场所