Shallow Triple Stream Three-dimensional CNN

1D-CNN的模型、训练与预测。用于时间序列的一种信号处理。

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

drcn matlab代码通过 CNN 架构和 TV-TV 最小化实现单图像超分辨率 介绍 复制论文中实验的Matlab代码： Marija Vella, João FC Mota BMVC 2019 该论文描述了任何超分辨率算法的后处理步骤，但这与基于 CNN 的算法特别相关。 给定低分辨率图像 b 和超分辨率算法的输出 w，后处理步骤通过求解 TV-TV 最小化来生成改进的高分辨率图像： 我们的实验表明，这个过程步骤系统地提高了重建图像的质量，如 PSNR 和 SSIM 所测量的那样，即使基本算法是最先进的，（例如， ， ， ）。 要求 （针对 R2019a 进行测试） 内容 有 2 个主要文件夹：和 . 该文件夹包含三个子文件夹： - 来自数据集、 和 的地面实况图像； 这些用于测试。 - 我们考虑过的超分辨率方法的输出图像（、 和 ）。 根据缩放因子将它们裁剪为适当的大小，以避免与地面实况图像错位。 - 包含两个带有示例图像的子文件夹，一个带有真实图像，另一个带有来自 SRCNN 的输出图像，放大系数为 2 倍。 该文件夹包含运行所有实验所需的代码。 脚本experiments

颜色分类leetcode CarL-CNN Car Logos CNN - 构建我自己的汽车标识分类神经网络 描述 CarL-CNN 接受了 20,778 张 50x50px RGB 图像的训练，这些图像描绘了 40 个不同汽车品牌的标识。 该数据集是从松散的网站上精心挑选的，包含各种配色方案（黑/白、RGB、CMYK、单色）、不同角度的图像、照片、绘图、草图，有时可能包含一些噪音（其他标识、背景等） .) 它通过归因于预测的品牌标签对给定图像进行分类： 模型指标 该模型得到以下分数： 精度：94.20% 召回率：94.03% F1分数：94.04% 准确度：94.03% 特征 Jupyter Notebook 文件包含用于展示、类别概率预测和新图像识别的方法定义。 此外，还对错误预测的案例进行了仔细检查，以分析哪些汽车品牌需要一些数据集丰富。 未来发展 我计划将它变成一个 Web 应用程序，并允许添加用户拥有的图像进行分类。 稍后，我打算使用sl4a，将其制作成Android应用程序并启用手机摄像头识别车标——真正的计算机视觉！ 链接 - 完整运行 CarL-CNN 所需的链接 （解

卷积神经网络用于句子分类2014年论文的解读ppt，通过开题介绍卷积的概念，以及论文完成的工作突破性意义，以及论文中的模型构建

使用深度学习的多手写数字识别（TensorFlow-Keras） 要求 TensorFlow（Keras） 的Python 3.5 + Numpy（+ MKL适用于Windows） PIL（枕头） Opencv的 tkinter（python GUI） 关于项目 使用CNN（卷积神经网络）在MNIST数据集上训练模型 将模型另存为'mnist.h5'（train_digit_recognizer.py） 使用tkinter GUI制作画布并在其上写数字 使用PIL在画布上获取“手写数字”的副本，并以“ img_ {image_number} .png”的形式保存到“ / img”中 同样在OpenCV帮助下，通过识别轮廓，它可以处理多个数字 使用保存的模型'mnist.h5'从画布预测保存的手写数字图像 屏幕截图 绘图画布... 输出图像... 使用PIL-ImageGrab

本系统通过目标检测算法使得系统可以通过图片识别一个或多个垃圾并对其进行分类，相较于传统的图片分类算法，允许用户同时识别多种垃圾；通过基于深度学习算法的文本分析使得系统能够充分理解各种物体名称的具体含义，以便于通过用户输入的名称对垃圾种类进行分类。 二、系统说明 2.1 功能介绍 图片垃圾分类：系统能够对图片中的多个物体进行检测并进行垃圾分类，最终返回待分类垃圾的物体名称以及其所属的垃圾类别。 文本垃圾分类：系统在对接收到的文本进行检测后，会返回待分类垃圾所属的垃圾类别。 2.2 数据介绍 图片数据集：图片识别类来自2019华为云垃圾分类挑战赛、爬虫搜集，共两万余张图片，91类物体；目标检测类为COCO数据集。 文本数据集：爬虫搜集，共3000类物体名称（其中有相似的，例如电池和干电池） 由于数据集过大，因此不会上传，如有需要可以在issue中提出。 2.3. 模型介绍（v1.0版本） 目标检测模型使用谷歌Object-Detection中的SSD模型、图片识别模型使用Inception-Resnet-v2模型。 文本分类模型使用两层双向LSTM与两层一维卷积模型，其中词向量层使用了

本文的安装环境为tensorflow2.1，使用的算法为LSTM算法，数据集为keras的imdb数据集。对于研究tensorflow2.1中LSTM算法的人可以借鉴参考

使用CNN进行面部表情识别：使用CNN和Keras和Tensorflow创建的面部表情识别模型