用于深度学习的多类杂草物种图像数据集，deep野草数据集包含9类17,509个独特的256x256彩色图像。共有15007张训练图片和2501张测试图片。分类和种标如下0-中国苹果1-大戟2-帕金森亚3-帕特宁4-刺相思5-橡胶藤6-暹罗杂草7-蛇草8-其他。注本文使用的五次交叉验证的具体标签子集(60%)、验证(20%)和测试(20%)也在这里以CSV文件的形式提供，格式与“labels.csv”相同。

用于图像分割的前列腺注释数据集，前列腺数据集由48个多参数MRI研究组成，采用横向t2加权扫描(分辨率0.6 x 0.6 x 4mm)和表观扩散系数(ADC)图(2 x 2 x 4mm)手动分割整个前列腺。imagesTr包含训练集图像。imagesTs包含测试集图像。labelsTr包含训练集的标签。

这个数据集包含99种不同的植物。分为培训(80%)、测试(10%)和有效数据(10%)。共19000张植物图片 这个数据集包含99种不同的植物。分为培训(80%)、测试(10%)和有效数据(10%)。共19000张植物图片 这个数据集包含99种不同的植物。分为培训(80%)、测试(10%)和有效数据(10%)。共19000张植物图片

智能手机-智能手表活动-生物识别数据集，包含从智能手机和智能手表收集的加速度计和陀螺仪时间序列传感器数据，51个测试对象执行18个活动，每个活动3分钟， 智能手机-智能手表活动-生物识别数据集，包含从智能手机和智能手表收集的加速度计和陀螺仪时间序列传感器数据，51个测试对象执行18个活动，每个活动3分钟，

内科大深度学习课程作业。 矩阵与 神经网络模型 与 深度学习模型 关系 机器学习 与 深度学习 在训练数据中的区别 点乘与叉乘区别 深度学习模型 浅层与深层 关系 线性关系与非线性 权重和偏置 超参数（训练数据与可调整数据（var）） 误差其他说法 损失函数Loss fuction 预测值与真实值之间的差距 线性，非线性与过拟合 数据去粗取精，求最优 稀疏矩阵特点以及应用

基于深度学习+opencv的python车牌识别系统源码.zip 可作为毕业设计、课程设计、期末大作业等，下载即用，无需修改，只需下载项目到本地，运行GUI.py即可。 选择两个模块进入新的界面，根据按钮进行操作 本项目还可以进行优化，希望有实力的朋友们可以进行二次开发。 基于深度学习+opencv的python车牌识别系统源码.zip 可作为毕业设计、课程设计、期末大作业等，下载即用，无需修改，只需下载项目到本地，运行GUI.py即可。 选择两个模块进入新的界面，根据按钮进行操作 本项目还可以进行优化，希望有实力的朋友们可以进行二次开发。 基于深度学习+opencv的python车牌识别系统源码.zip 可作为毕业设计、课程设计、期末大作业等，下载即用，无需修改，只需下载项目到本地，运行GUI.py即可。 选择两个模块进入新的界面，根据按钮进行操作 本项目还可以进行优化，希望有实力的朋友们可以进行二次开发。 基于深度学习+opencv的python车牌识别系统源码.zip 可作为毕业设计、课程设计、期末大作业等，下载即用，无需修改，只需下载项目到本地，运行GUI.py即可。 选择两

大学深度学习论文提交，描述了生成模型G，判别模型D

机器学习和深度学习

适合再次领域内研究的初学者，内含数据集和算法

针对显著性检测中特征选择的主观片面性和预测过程中特征权重的难以协调性问题，提出了一种基于全卷积神经网络和多核学习的监督学习算法。首先通过MSRA10K图像数据库训练出的全卷积神经网络（FCNN），预测待处理图像的初步显著性区域；然后在多尺度上选择置信度高的前景、背景超像素块作为多核支持向量机（SVM）分类器的学习样本集，选择并提取八种典型特征代表对应样本训练SVM；接着通过多核SVM分类器预测各超像素显著值；最后融合初步显著图和多核学习显著图，改善FCNN网络输出图的不足，得到最终的显著性目标。该方法在SOD和DUT-OMRON数据库上有更高的AUC值和F-measure值，综合性能均优于对比方法，验证了该方法在显著性检测中准确性的提高，为目标识别、机器视觉等应用提供更可靠的预处理结果。