论文全文：EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks EfficientNet：对卷积神经网络的模型缩放的重新思考

Learning to Compare Image Patches via Convolutional Neural Networks论文的复现代码，这是keras版本，具体怎么做的可以看这篇文章https://blog.csdn.net/weixin_42521239/article/details/103389033

SC_neural_network

Intriguing properties of neural networks.pdf

ImageNet Classification with Deep Convolutional Neural Networks.pdf

使用Python实现简单的前馈神经网络算法。 工作正在进行中。

Growing Neural Gas Network.pdf

动员的人体自动测量系统具有高移动性，易于操作和合理的精度。 但是，现有系统专注于准确性和鲁棒性，而不是移动性和便利性。 为了克服这一缺点，这项工作提出了一种动员的自动人体测量系统，该系统使用神经网络（MaHuMS-NN）通过监督学习促进总体测量结果。 基于一般回归NN（GRNN）的MaHuMS-NN选择图像，执行图像处理，对图像进行分割并检测轮廓以提取轮廓中的特征点。 系统测量特征尺寸。 这项工作的重要贡献如下。 首先，MaHuMS-NN是Android平台中第一个用于人体测量的智能系统。 其次，与现有系统不同，MaHuMS-NN可以在优化模型进行预测时进行智能调整，并根据个人特征进行自误差校正。 实验结果表明，与现有系统相比，MaHuMS-NN表现出更好的性能，精度小于0.03 m。

Understanding the difficulty of training deep feedforward neural networks.zip

Dropout：A Simple Way to Prevent Neural Networks from Overfitting.zip