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。

该讲义为斯坦福大学李飞飞教授所开深度学习与计算机视觉（cs231n）课程讲义，为深度学习入门课程，通俗易懂且内容前沿，适合于对深度学习/计算机视觉有兴趣并有一定基础的人学习。

全卷积神经网络的字符级文本分类方法

针对传统的示功图识别方法对抽油机井进行故障诊断存在人工选取示功图特征,识别准确度低等问题,基于人工智能理论,提出一种卷积神经网络(CNN)和支持向量机(SVM)相结合的示功图智能识别模型。利用卷积神经网络对示功图图像特征自动提取,利用支持向量机根据提取的深层图像特征给出故障诊断结果。结果表明,将CNN与SVM结合用于示功图识别不仅省去了人工选取示功图特征这一环节,而且识别准确度也高达99.71%,测试性能优于其他识别模型。该模型的提出为抽油机井故障的快速准确诊断提供了可行的解决方案,对油田高效作业具有重要意义。

随着深度学习的发展，卷积神经网络在目标检测中取得了一系列研究成果． 相比基于人工特征构造的传统的目标检测 算法，基于深层卷积神经网络的算法具有特征自动提取，泛化能力强的优点，有较好的鲁棒性． 本文首先介绍了卷积神经网络在 目标检测基础任务图像分类上的进展，然后按照目标检测算法评价指标、算法框架以及公共数据集三个方面重点分析和比较近 年来基于深度学习模型的目标检测算法的研究情况，最后对目标检测算法未来的发展进行展望

matlab精度检验代码转化神经网络 卷积峰神经网络（SNN）用于时空特征提取 本文重点介绍了卷积增强神经网络的潜力，并介绍了一种新的体系结构来解决训练深层卷积SNN问题的问题。 先决条件 以下安装程序已经过测试，并且可以正常运行： 的Python> = 3.5 火炬> = 0.4.1 CUDA> = 9.0 opencv> = 3.4.2 码头工人 设置所有程序都可以运行的环境运行./run.sh 资料准备 下载CIFAR10-DVS数据集 提取DVS-CIFAR10 / dvs-cifar10文件夹下的数据集 在Matlab中使用test_dvs.m将事件转换为t, x, y, p矩阵（请确保在代码内调整test_dvs.m文件夹地址） 运行python3 dvscifar_dataloader.py准备数据集（确保在main.py目录中有dvs-cifar10 / airplane / 0.mat这样的文件） 培训与测试 CIFAR10-DVS模型 运行python3 main.py 时空特征提取测试 对于每种架构，只需使用python3运行主文件 注意：训练SNN时存在一些问题

随着大数据和人工智能的发展, 将人工处理专利的方式转换为自动化处理成为可能. 本文结合卷积神经网络(CNN)提取局部特征和双向长短记忆神经网络(BiLSTM)序列化提取全局特征的优势, 在BiLSTM隐藏层引入注意力机制(Attention机制), 提出了针对中文专利文本数据的BiLSTM_ATT_CNN组合模型. 通过设计多组对比实验, 验证了BiLSTM_ATT_CNN组合模型提升了中文专利文本分类的准确率.

深度卷积神经网络特征提取的数学理论 . pdf