面部表情识别 一个用于识别实时网络摄像头图像上面部表情的卷积神经网络。 安装 该实现已通过Python 3.6.3进行了测试。 您可以根据需要使用conda或virtualenv创建全新的虚拟环境。 TensorFlow 正式conda ，因此pip用于软件包管理。 所有依赖项都可以在requirements.txt文件中找到。 激活Python 3环境后，您可以使用以下命令安装要求 pip install -r path/to/requirements.txt 实时预测 如果您的计算机装有网络摄像头，则可以即时计算预测。 脱下眼镜和帽子，开始进行实时预测 python webcam.py 训练 如果您想自己训练Tensorflow CNN，则需要从kaggle和获取。 对于CK +，您可以使用ckplus_to_csv.py脚本自动检测所有面Kong，解析灰度强度并将所有CK图像收集到

深度学习是当前人工智能领域广泛使用的一种机器学习方法.深度学习对数据的高度依赖性使得数据需要处理的维度剧增，极大地影响了计算效率和数据分类性能.本文以数据降维为研究目标，对深度学习中的各种数据降维方法进行分析.在此基础上，以Caltech 101图像数据集为实验对象，采用VGG-16深度卷积神经网络进行图像的特征提取，以PCA主成分分析方法为例来实现高维图像特征数据的降维处理.在实验阶段，采用欧氏距离作为相似性度量来检验经过降维处理后的精度指标.实验证明：当提取VGG-16神经网络fc3层的4096维特征后，使用PCA法将数据维度降至64维，依然能够保持较高的特征信息.

道路裂缝检测神经网络 使用 keras 构建的卷积神经网络以 97.5% 的准确率检测道路裂缝。 这个 repo 包含一个 jupyter notebook 文件，用于正确理解图像数据集和模型训练。 #数据集

机器学习（卷积神经网络）优秀论文。吐血总结。肢体识别、VGG19深度网络应用框架。

安全帽作为作业工人最基本的个体防护装备，对作业人员的生命安全具有重要意义.但是部分作业人员安全意识缺乏，不佩戴安全帽行为时常发生.本文聚焦于复杂场景下对工作人员是否佩戴安全帽的实时检测.YOLO （You Only Look Once）是当前最为先进的实时目标检测算法，在检测精度和速度上都取得了良好的效果，将YOLO应用于安全帽检测.针对未佩戴安全帽单类检测问题，修改分类器，将输出修改为18维度的张量.基于YOLOv3在ImageNet上的预训练模型，对实际场景下采集到的2010张样本进行标注并训练，根据损失函数和IOU曲线对模型进行优化调参，最终得到最优的安全帽检测模型.实验结果表明，在2000张图片测试集上取得了98.7%的准确率，在无GPU环境下平均检测速度达到了35 fps，满足实时性的检测要求，验证了基于YOLOv3安全帽检测方法的有效性.

预训练的卷积神经网络

图像分类的性能在很大程度上取决于特征提取的质量。卷积神经网络能够同时学习特定的特征和分类器，并在每个步骤中进行实时调整，以更好地适应每个问题的需求。本文提出模型能够从遥感图像中学习特定特征，并对其进行分类。使用UCM数据集对inception-v3模型与VGG-16模型进行遥感图像分类，实验结果表明，本文提出的模型在训练时间和分类准确率上都优于现有算法。

LHCnn：一种利用卷积神经网络的新型高效多元时间序列预测框架

卷积神经网络matlab代码 不需要配置，直接将工作目录设为这个压缩包的解压完的目录下就行，matlab直接运行

The first CNN appeared in the work of Fukushima in 1980 and was called Neocognitron. The basic architectural ideas behind the CNN (local receptive fields,shared weights, and spatial or temporal subsampling) allow such networks to achieve some degree of shift and deformation invariance and at the same time reduce the number of training parameters. Since 1989, Yann LeCun and co-workers have introduced a series of CNNs with the general name LeNet, which contrary to the Neocognitron use supervised training. In this case, the major advantage is that the whole network is optimized for the given task, making this approach useable for real-world applications. LeNet has been successfully applied to character recognition, generic object recognition, face detection and pose estimation, obstacle avoidance in an autonomous robot etc. myCNN class allows to create, train and test generic convolutional networks (e.g., LeNet) as well as more general networks with features: - any directed acyclic graph can be used for connecting the layers of the network; - the network can have any number of arbitrarily sized input and output layers; - the neuron’s receptive field (RF) can have an arbitrary stride (step of local RF tiling), which means that in the S-layer, RFs can overlap and in the C-layer the stride can differ from 1; - any layer or feature map of the network can be switched from trainable to nontrainable (and vice versa) mode even during the training; - a new layer type: softmax-like M-layer. The archive contains the myCNN class source (with comments) and a simple example of LeNet5 creation and training. All updates and new releases can be found here: http://sites.google.com/site/chumerin/projects/mycnn