基于深度卷积神经网络的SAR 图像舰船小目标检测

卷积神经网络的经典论文，包括LeNet、AlexNet、ResNet、YOLO、R-CNN、VGG16，作为引领卷积神经网络发展的论文，无论是深度学习小白，还是已经进入深度学习领域但还没有读过这些论文，都可以尝试着看看这些论文，从而体会前人的思想。

使用飞桨实现手写数字识别

keras_captcha 这是一个用keras写的用于识别图像验证码的小程序

基于分层卷积神经网络的脑电信号情感识别系统的实现

直流神经网络 Conneau提出的用于文本分类的超深度卷积神经网络的Tensorflow实现。 现在已使用Tensorflow 2和tf.keras支持正确重新实现了VDCNN的体系结构。 根据实施一个简单的培训界面。 随意贡献其他实用程序，例如TensorBoard支持。 旁注，如果您是NLP文本分类的新手： 请检出新的SOTA NLP方法，例如或 。 检出以获得更好的动态绘图和数据集对象支持。 当前的VDCNN实现也非常容易移植到PyTorch上。 先决条件 Python3 Tensorflow> = 2.0 张量流数据集 麻木 数据集 原始论文测试了多个NLP数据集，包括D

大象艺术 他是谁？ Elephant Art是基于卷积神经网络和Monte Carlo树搜索的中国象棋引擎。 他还支持UCCI协议。 警告！ 大象艺术仍然是Alpha版。 许多组件不完整（包括UCCI，PGN和永久追求）。 我们不保证他将来会采用相同的格式。 在Linux或MacOS上构建 $ git clone https://github.com/CGLemon/ElephantArt $ cd ElephantArt $ mkdir build && cd build $ cmake .. $ make 更多选择 加速CPU上的网络。 需要OpenBlas。 $ cmake .. -DBLAS_BACKEND=OPENBLAS 通过GPU加速网络。 需要CUDA和CUDNN。 $ cmake .. -DGUP_BACKEND=CUDA $ cmake .. -DGUP_BAC

针对自然场景图像中多尺度Logo的检测需求，提出了一种基于卷积神经网络的多尺度Logo检测算法。该算法基于两阶段目标检测的实现思路，通过构建特征金字塔并采取逐层预测的方式实现多尺度候选区域的生成，通过融合卷积神经网络中的多层特征图以增强特征的表达能力。在FlickrLogos-32数据集上的实验结果显示，相比基线方法，所提算法能够提升生成候选区域的召回率，并且在保证大中尺度 Logo 检测精度的前提下，提升小尺度Logo的检测性能，验证了所提算法的优越性。

对卷积神经网络进行了详细介绍，包括卷积层操作、池化层、全连接层。其中，卷积层的运算过程介绍的十分详细，有动画进行演示，还介绍了一个卷积核的多通道卷积计算和多个卷积核的多通道卷积运算过程。适合作为教学素材，用来教学，也适合自我学习，加深对卷积神经网络(CNN)的理解。

姿势识别源代码matlab 该网站包含用于使用WiFi进行手语识别的通道状态信息（CSI）轨迹的数据集。 引用论文 马永森，周刚，王双权，赵宏阳和荣伍伯。 2018年。SignFi：使用WiFi进行手语识别。 程序。 ACM互动。 暴民。 可穿戴的无处不在的技术。 2，1，第23条（2018年3月），共21页。 DOI： 概述 下图显示了手语识别技术的比较。 档案文件 该存储库包含以下文件。 您同意下载并使用这些文件。 档案文件 描述 尺寸 在实验室环境中，针对276个符号字的分段下行链路CSI跟踪。 一个用户执行了5,520个276个手势手势的实例。 1.44GB 在实验室环境中，针对276个符号字的分段上行链路CSI跟踪。 一个用户执行了5,520个276个手势手势的实例。 1.33GB 家庭环境中276个符号字的分段下行链路和上行链路CSI跟踪。 一位用户执行了2,760个276个手势手势的实例。 1.37GB 在实验室环境中，针对150个符号字的分段下行链路CSI跟踪。 由五个用户执行的7,500个150个手势的实例。 1.93GB 使用数据集进行培训和测试的MATLAB源代码