随着深度学习的发展，卷积神经网络在目标检测中取得了一系列研究成果． 相比基于人工特征构造的传统的目标检测 算法，基于深层卷积神经网络的算法具有特征自动提取，泛化能力强的优点，有较好的鲁棒性． 本文首先介绍了卷积神经网络在 目标检测基础任务图像分类上的进展，然后按照目标检测算法评价指标、算法框架以及公共数据集三个方面重点分析和比较近 年来基于深度学习模型的目标检测算法的研究情况，最后对目标检测算法未来的发展进行展望

matlab精度检验代码转化神经网络 卷积峰神经网络（SNN）用于时空特征提取 本文重点介绍了卷积增强神经网络的潜力，并介绍了一种新的体系结构来解决训练深层卷积SNN问题的问题。 先决条件 以下安装程序已经过测试，并且可以正常运行： 的Python> = 3.5 火炬> = 0.4.1 CUDA> = 9.0 opencv> = 3.4.2 码头工人 设置所有程序都可以运行的环境运行./run.sh 资料准备 下载CIFAR10-DVS数据集 提取DVS-CIFAR10 / dvs-cifar10文件夹下的数据集 在Matlab中使用test_dvs.m将事件转换为t, x, y, p矩阵（请确保在代码内调整test_dvs.m文件夹地址） 运行python3 dvscifar_dataloader.py准备数据集（确保在main.py目录中有dvs-cifar10 / airplane / 0.mat这样的文件） 培训与测试 CIFAR10-DVS模型 运行python3 main.py 时空特征提取测试 对于每种架构，只需使用python3运行主文件 注意：训练SNN时存在一些问题

随着大数据和人工智能的发展, 将人工处理专利的方式转换为自动化处理成为可能. 本文结合卷积神经网络(CNN)提取局部特征和双向长短记忆神经网络(BiLSTM)序列化提取全局特征的优势, 在BiLSTM隐藏层引入注意力机制(Attention机制), 提出了针对中文专利文本数据的BiLSTM_ATT_CNN组合模型. 通过设计多组对比实验, 验证了BiLSTM_ATT_CNN组合模型提升了中文专利文本分类的准确率.

深度卷积神经网络特征提取的数学理论 . pdf

CNN-Numpy-实施 手动实现卷积神经网络，而无需使用诸如pytorch和tensorflow之类的现代库。 换句话说，我从头开始构建了一个神经网络，其中涉及实现正向和反向传播。 我手动编写了反向传播代码，并使用numpy手动实现了每一层的偏导数。 我在这里使用的方程式示例可以在这里找到。 E.Bendersky（2016年10月28日）。 Softmax函数及其导数。 取自 我最完善，最成功的网络是跟踪多个功能的多元回归CNN。 它可以正确确定两个图像之间的形状数量差异以及是否存在反射，但是在测量旋转度和形状之间的填充颜色差异方面存在困难。 为了训练该网络，我必须生成自己的数据集。 项目描述 AI研究人员已将Raven的渐进矩阵（RPM）视觉智商测试用作开发新策略，算法和认知代理的测试平台。 通过构建可以逐步解决更棘手问题的智能体，研究人员希望推动人工智能领域的发展。 下面显示了

基于深度学习1DCNN的钓鱼网站检测.rar

中文 | Chinese-number-gestures-recognition Chinese number gestures recognition app（数字手势识别APP，识别0-10） 基于卷积神经网络的数字手势识别APP（安卓） 1、项目简介 这是一个基于卷积神经网络的数字手势识别APP（安卓），主要功能为：通过手机摄像头识别做出的数字手势，能够识别数字0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 对应的手势。 Chinese-number-gestures-recognition项目下包含两块代码：1. DigitalGestureRecognition为安卓APP代码；2. digital_gesture_recognition为PC端处理数据及训练模型代码，编程语言为python。 开发环境： PC端：python3.6, TensorFlow-gp

机器学习是许多人在人类生活的各个领域中不可或缺的技术。 它遍及全球的现代生活中，并具有多种用途。 一种应用是图像分类，它涵盖了许多影响领域，例如商业，金融，医药等，以提高产量，原因，效率等。这种对更精确，面向细节的分类的需求增加了对修改，改编，和深度学习算法的创新。 本文使用卷积神经网络（CNN）对CIFAR-10数据库中的场景进行分类，并在KDEF数据库中检测情绪。 所提出的方法将数据转换到小波域以获得更高的精度和与空间域处理相当的效率。 通过将图像数据划分为子带，重要的特征学习发生在不同的低频到高频上。 所学习的低频和高频特征的组合以及对融合特征映射的处理导致检测精度的提高。 将拟议的方法与空间域CNN和堆叠式降噪自动编码器（SDA）进行比较，实验结果表明，准确性显着提高。

Kaggle面部关键点检测 面部关键点标签是计算机视觉中一个重要且具有挑战性的问题。 在推论时，我们想将人脸图像的像素表示作为输入，并输出各种界标的位置，包括眼睛和嘴唇周围和周围的位置以及鼻尖。 准确标记这些位置的能力使众多下游应用成为可能。 其中包括面部识别，面部表情分析，检测畸形的面部征兆以进行医学诊断，生物识别和视频中的面部跟踪。 例如，可以通过测量嘴唇的形状来进行面部表情分析，其中弯曲可能代表微笑，弯曲可能代表皱眉。 该分析对于对零售商店的交易的真实客户满意度或驾驶员的汽车心情进行分类很重要。 检测面部关键点是一个非常具有挑战性的问题。 解决这些难题的计算机视觉研究已经走了很长一段路，但是仍有很多改进的机会。 面部特征因人而异，拍摄角度的多样性以及面部图像相对于其余图像的比例是三个难题，这在实践中使准确标记变得困难。 该项目的目标是开发一种机器学习模型来解决这个问题，其中包括

深度学习中，农业方面相关的植物村（PlantVillage）数据集