本文的研究内容主要包括数据库构建和算法研究两个方面，主要内容如下： （1）中文唇语识别数据集 LRW-1000 的构建：考虑到目前关于中文唇语识别的 研究尚无一个基准的数据库，为了给未来中文唇语识别的研究提供一个数据基准， 本课题根据自采的数据，与中科院计算所 VIPL 组合作构建了一个大型的开放场景下 中文唇语识别数据集，并提出了一个完整的构建流程，详细介绍了构建流程中的设 计到的算法原理。 （2）唇语识别算法：提出了一个新的唇语识别算法，来学习从唇语图像序列到 目标文本序列的映射。为了增强网络对短时依赖的建模能力，结合 DenseNet 和时空卷积提出一个新的网络结构，命名为 D3D。然后使用循环神经网络对得到特征的时 序关联进行学习。同时，针对特定的网络结构，设计了一个三段式的训练方法来解 决模型收敛不稳定的问题，该训练方式对于模型性能有显著提升。

基于深度学习的中文命名实体识别研究，介绍了几种识别方法

这是一个使用深度学习工具箱中的长短期存储器（LSTM）网络在OFDM系统信号检测接收器上实现符号分类的例子。 is is an example of using the long short-term memory (LSTM) network in the Deep Learning Toolbox to achieve symbol classification at the receiver for signal detection in OFDM systems. 基于LSTM的神经网络是针对单个子载波进行训练的，该神经网络计算符号误码率（SER），并与最小二乘（LS）和最小均方误差（MMSE）估计进行了比较。

(TensorFlow)基于深度学习的图像信息隐写

点云作为一种重要的3D数据类型，随着3D采集技术的发展已被广泛用于多个应用场景。深度学习因其处理大型数据集的高效性、提取特征的自主性，成为点云分类研究最新进展的方法主导。本文首先对点云分类方法研究现状进行了介绍，接着重点对基于深度学习的点云分类的主要方法和最新方法进行了分析阐述。根据数据处理方式对点云分类方法进行归类，总结对比了每类方法的主要思想和优缺点，并详细介绍了部分代表性、创新性算法的实现过程。最后，对点云分类面临的挑战及未来研究方向进行了展望。

基于深度学习的OFDM系统信号检测仿真.rar

基于深度学习的音乐特征提取，赵天坤，张雷，深度学习作为一种新的特征提取技术，在语音信号处理领域取得了一系列成功。本文借鉴深度学习在语音信号处理上的研究成果在音乐分

基于深度学习的肝脏肿瘤分割 实战(一）.pdf

为线上查找到的金莲文老师演讲ppt资源；主要讲述了深度学习下文字的识别现状，应用场景、发展趋势。主要讲述了深度学习下文字的识别现状，应用场景、发展趋势。主要讲述了深度学习下文字的识别现状，应用场景、发展趋势。主要讲述了深度学习下文字的识别现状，应用场景、发展趋势。

目标检测的任务是找出图像中所有感兴趣的目标（物体），确定它们的位置和大小，是机器视觉领域的核心问题之一。由于各类物体有不同的外观，形状，姿态，加上成像时光照，遮挡等因素的干扰，目标检测一直是机器视觉领域最具有挑战性的问题。本文将针对目标检测（Object Detection）这个机器视觉中的经典任务进行解析，抛砖引玉。如对文中的内容持不同观点，欢迎到SIGAI公众号发消息给我们，一起探讨！