自己编写的神经网络，对四类水下图像的特征值进行分类，只有一个隐含层的

利用每行每列灰度值之和来分割图像，并用阈值进行分类生成训练集，然后训练神经网络检测小芯片缺陷

用于图像去噪处理，使用ADM方法图像去噪处理器处理

BP神经网络图像分割源代码，可直接下载运行。希望对大家有帮助。

混合卷积神经网络图像噪声去除.pdf

基于keras，后端为theano的卷积神经网络分类，代码是二分类，主要对猫狗进行识别分类

提出一种可用于改进图像超分辨率重建质量的双判别器超分辨率重建网络(DDSRRN)。该网络在生成式对抗网络(GAN)的基础上增加一个判别器,将Kullback-Leibler(KL)和反向KL散度组合成一个统一的目标函数来训练两个判别器,利用这两种散度的互补统计特性,能在多模式下分散预估计密度,从而避免重建过程中网络模型的崩溃问题,提高模型训练的稳定性。针对模型损失函数的设计部分,首先使用Charbonnier损失函数来构建内容损失,利用网络中间层的特征信息来设计感知损失和风格损失,最后为缩减图像重建时间,在网络结构中引入反卷积来完成图像重建操作。实验结果表明本文方法在主观视觉上具有丰富的细节,获得了更好的主观视觉评价和客观量化评价,网络泛化能力好。

卷积神经网络(CNN)的结构与参数决定了其在图像分类中的性能,针对深度网络结构复杂、参数量较大的问题,提出了一种基于稠密连接网络进化的CNN(D-ECNN)图像分类算法。该算法可对网络结构空间进行有效搜索,并基于有限的计算资源对深度网络结构与参数进行自适应优化。在车辆数据集上的分类实验结果表明,本算法的准确率可达到95%,相比视觉几何组(VGG16)算法,提升了约1%,且本算法的模型文件较小、速度更快。

本资源针对minist数据集的CSV文件进行神经网络的训练，由于minist数据集较大，这里数据集里面有100个训练数据，10个测试数据，此代码不使用TensorFlow和pytorch等深度框架，使用numpy进行两层全连接神经网络的设计。

CNN卷积神经网络图像还原代码