【MATLAB项目实战】基于CNN_SVM的图像花卉识别 里面包括单CNN、单SVM 、CNN_SVM三个程序 其中CNN_SVM里可以更改不同的CNN架构 AlexNet VGG16 VGG19 ResNet50

这里面包含整个基于神经网络深度学习 ，实现人脸识别项目，包括原始数据 ，训练数据 训练模型 测试数据等，包含演示同步ppt文件， 使用的开发工具是pycharm，基于python3实现，该案例可做为本科毕设的入门参考，ppt内容包含整个讲解过程，从人脸识别到cnn，卷积，从欧式距离到人脸表情变化的计算详情 以及整个卷积的介绍，可以做为入门以及会议上介绍使用的文档。 参考文件 基于CNN卷积神经网络实现人脸识别-人脸表情识别-同步ppt介绍及基于python3实现识别源代码。

基于CNN的人脸识别考勤系统包含预训练模型可以直接运行

1.领域：matlab，CNN卷积神经网络，代码中提供了转化后的mat格式,matlab可以直接读取的MNIST标准数据库 2.内容：通过MATLAB编程实现基于CNN卷积神经网络的手写数字识别算法,数据库为MNIST标准数据库+matlab操作视频 3.用处：用于CNN卷积神经网络编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

猫狗识别应用 本项目为Udacity机器学习课程毕业项目。 该项目关键难点在于： 开题报告以及论文的编写 图像原始数据的处理（异常检测、数据增强、图像尺寸标准化） 基于多个成熟CNN模型的模型融合 分类器的训练 对预测值的处理 目录结构说明 ├── app # 应用部署包 │ ├── model # 预训练CNN模型 │ ├── static # 静态资源文件 │ ├── templates # App网页入口 │ ├── cnn_model.py # 融合模型 │ └── webapp.py # 前端控制器 │ └── submission # 项目过程文档 如何运行 安装Anaconda,Tensorflow与Keras 具体安装方法请自行百度。 创建运行环境 $ conda create -n py36 python=3.6 切换运行环境

1.领域：matlab，CNN卷积神经网络图像分割算法 2.内容：基于CNN卷积神经网络的图像中水域分割matlab仿真,仿真输出训练过程以及分割结果 +代码操作视频 3.用处：用于CNN卷积神经网络图像分割算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

基于CNN的图像识别(Tensorflow) 使用CIFAR-10数据集

基于CNN的汽车目标检测算法matlab实现，可以适配自己的数据集，内部含数据集

数据融合matlab代码基于CNN的多模式步态识别 弗朗西斯科·卡斯特罗（Francisco M. Castro）和曼努埃尔·J·马林·吉梅内斯（Manuel J.Marin-Jimenez） 此代码在TUM-GAID和CASIA-B的正常情况下运行测试。 对于其他情况，您只需下载数据集并构建相应的imdb。 该代码随附的模型为： 基于3D卷积的CNN，使用光流作为TUM-GAID的输入 基于3D卷积的CNN，可对TUM-GAID进行光流，灰度和深度模态的融合。 基于CNN的ResNet，使用灰色作为CASIA-B的输入。 基于3D卷积的CNN，可对CASIA-B进行光流和灰度的融合。 先决条件 MatConvNet库： MexConv3D（用于3D转换）： 将测试数据和模型下载到各自的文件夹中。 链接位于每个文件夹中的README文件中 该代码已经在Ubuntu 18.04和Matlab 2017b上进行了测试。 快速开始 假设您已将cnngaitmm库放置在文件夹 。 启动Matlab并键入以下命令： cd startup_cnngait demo_T

针对基于深度卷积神经网络的高光谱图像分类算法中存在的空间分辨率下降、池化操作引发特征丢失从而导致分类精度下降的问题，设计了一种由双边融合块构成的双边融合块网络。1×1卷积与超链接构成双边融合块上结构，传递局部空间特征，池化、卷积、反卷积、上采样组成下结构，强化高效判别特征。在3个基准高光谱图像数据集上的实验结果表明，该模型优于其他同类分类模型。