基于卷积神经网络多层特征融合和稀疏表示的表情识别，孙悦，杨勇，卷积神经网络浅层特征含有很多图像细节信息，深层特征含有更多抽象特征，为了充分利用不同层次特征的细节信息和抽象信息，将浅层

为了实现在复杂环境下具有较高准确率的交通标志识别以及在小样本情况下也能良好工作的识别网络，提出一种基于卷积神经网络和多类SVM的交通标志识别模型。此模型不需人工设计特征提取算法，且在小样本训练集上也能训练出具有较高准确率的分类模型。除此之外，利用迁移学习策略，避免重新初始化卷积神经网络，在节省大量样本与训练时间的同时能有效避免过拟合的发生。实验结果表明，提出的分类模型在小样本训练集上进行训练后得到的模型在实际测试中有较好的表现且对处于复杂背景下和严重畸变的交通标志具有可靠的识别能力和良好分类结果。

基于matlab的卷积神经网络实现手写数字识别

参照经典的卷积神经网络模型 Ｌｅｎｅｔ－５的结构，提出一种适用于该数据集的CNN结构

传统的卷积神经网络目标检测算法需要使用大量的数据来对网络参数进行训练,会花费大量的时间,并且森林火灾数据属于小样本数据。基于此,提出一种基于迁移学习的卷积神经网络森林火灾检测算法,该算法采用迁移学习的方法训练森林火灾检测网络模型。在建立的森林火灾数据集上进行实验,结果表明使用该算法进行森林火灾检测,准确率可达97%,具有准确率高、误报率低、检测时间短等优点,将其应用在森林火灾检测上具有一定的可行性。

报告： https : //arxiv.org/abs/1802.00153 PPT： https : //drive.google.com/open? id = 1xPczR_qNS-FZA- cM1FUzDYT41kI08Xpe 如果您使用此代码，请引用为： 马哈茂德·阿菲菲。 “语义白平衡：使用卷积神经网络的语义颜色恒常性。” arXiv 预印本 arXiv:1802.00153 (2018)。 @article{afifi2018semantic , title={语义白平衡：使用卷积神经网络的语义颜色恒常性}， 作者={Afifi, Mahmoud}, 期刊={arXiv 预印本 arXiv:1802.00153}, 年={2018} }

深度卷积神经网络的基于脑电图情感识别的数据增强

跌倒检测两个流cnn 使用两流卷积神经网络（CNN）和运动历史图像（MHI）进行实时跌倒检测 该存储库包含使用两流CNN的实时跌倒检测模型的代码。 光流被“运动历史图像”（MHI）取代，可以进行实时推断。 utils.py文件包含用于生成数据的实用程序代码，train_model.py文件创建并训练模型，而fall_detection.py文件包含使用FDD数据集上的weights文件夹中的权重运行模型的代码。视频或您的网络摄像头。 有关模型架构，性能以及在不久的将来会出现的演示画面/图片的详细说明。 在生成的数据子集上实现了相当不错的交叉验证错误率。 当前致力于获取更多数据并完善数据生成技术。

这是基于 CIFAR10 数据集的 CNN 在 TensorFlow 上的实现，与 上一个 相比增加了 TensorBoard 的实现，可以在浏览器中查看可视化结果。tensorboard 目录存放着用于可视化的日志文件。