深度学习是机器学习的一个子集，旨在用类似于人类的逻辑持续分析数据。 它使用称为人工神经网络 (ANN) 的算法的分层结构。 它们主要用于医学诊断，以做出疾病预测、机器人手术和放射治疗等关键决策。 疾病预测包括识别和分类阿尔茨海默病。 它是痴呆症的最常见原因，影响全球约 4600 万人。 该病有几个阶段，分为轻度和重度。 症状包括记忆信息的能力下降、口语和写作能力下降。 许多机器学习算法技术如决策树分类器、独立分量分析、线性判别分析（LDA）被用来根据疾病的阶段预测疾病，但识别信号阶段的精度并不高。 在这项工作中，提出了一种基于深度学习的技术，该技术通过使用卷积神经网络 (CNN) 来提高分类的准确性。 这项工作分析脑电图 (EEG) 信号，使用快速傅立叶变换 (FFT) 提取特征并通过 CNN 对疾病进行分类。

针对传统去雾算法需要人工提取特征,对比度低、信噪比低等问题, 提出一种基于多特征融合的卷积神经网络去雾算法。利用卷积神经网络算法模拟人类视觉系统对雾天图像进行层次化处理, 实现自动提取特征。算法采用直接从雾天图像到清晰无雾图像映射的学习方式, 该映射由特征提取、多尺度特征融合和浅层深层特征融合联合实现。多尺度特征融合提升网络对图像细节的重建, 浅层深层特征融合则将浅层卷积得到的轮廓信息和深层卷积得到的细节信息进行融合, 提升去雾重建的整体效果。实验结果表明, 相比于单一尺度网络, 多特征融合网络的峰值信噪比提高了1.280 dB。本文算法对自然雾天图像去雾效果明显, 细节信息和对比度均优于其他算法, 为去雾方法的研究提供了新思路。

对于基于深度学习的立体匹配而言,模型的网络结构对算法精度的影响很大,而算法运行效率也是实际应用中需要考虑的重要因素。提出一种在视差维度上使用稀疏损失体进行立体匹配的方法。采用宽步长平移右视角特征图构建稀疏的三维损失体,使三维卷积模块所需的显存和计算资源均降低数倍。采用多类别输出的方式对匹配损失在视差维度上进行非线性上采样,并结合两种损失函数训练模型,在保证运行效率的同时提高算法精度。在KITTI测试集上,与基准算法相比,所提算法不仅提高了精度,而且运行时间缩短了约40%。

本文主要介绍如何使用python搭建：一个基于深度学习的**滚动轴承故障诊断**系统

卷积神经网络tiny_cnn代码

CNN_Faces_Recognition 基于卷积神经网络的人脸在线识别系统，本系统研究基于神经网络模型的人脸检测与识别技术，系统将由以下几个部分构成：制作人脸数据集，CNN神经网络模型训练，人脸检测，人脸识别。经过实验，确定该系统可对本人的人脸进行快速并准确的检测与识别。 关键词：神经网络；图像处理；人脸检测；人脸识别； TensorFlow；模型训练 本系统使用人脸数据集下载： : 详情博客： : 详情见微信公众号：AI大道理

利用卷积神经网络对mnist数据集进行分类，代码采用python进行编写，并有详细的注释，且文件自带mnist数据集。用户需要搭建好tensorflow环境配合python即可运行。

本篇博客tensorflow1.7,整个项目源码： 引言 本次博客将分享Udacity无人驾驶纳米学位的另一个项目，交通标志的识别。 本次项目实现主要采用CNN卷积神经网络，具体的网络结构参考Lecun提出的LeNet结构。参考文献： 项目流程图 本项目的实现流程如下所示： 代码实现及解释 接下来我们就按照项目流程图来逐块实现,本项目数据集： 如果打不开，则有备用链接： #import important packages/libraries import numpy as np import tensorflow as tf import pickle import matplotlib.pyplot as plt import random import csv from sklearn.utils import shuffle from tensorflow.contrib.laye

基于卷积神经网络(CNN)的VGG-19(Visual Geometry Group)模型,研究了卷积神经网络对输入纹理进行卷积时,输入纹理特征图的边缘信息对生成自然纹理效果的影响。在使用卷积神经网络的VGG对输入图像进行卷积时,为了防止过拟合现象,采用平均池化的方式对特征图进行处理,在一定程度上保护了特征图的边缘信息,相对采用最大池化处理特征图取得了更好的生成效果。同时,提取各层特征图的边缘信息并将其叠加到特征图中,能很好地保留纹理图像的边缘结构信息。实验结果表明,改进后的方法能取得较为理想的纹理生成效果。

研究小样本情况下，GAN在复杂产品费用预测上的应用。针对小样本情况下传统神经网络难以训练、预测准确度不高的问题，采用GAN网络与CNN网络结合的方法，借助GAN判别网络强大的特征提取能力，提取出样本的浅层特征，并将特征共享给CNN预测网络。CNN预测网络与判别网络共同约束生成网络，从而训练整个神经网络，最后以CNN预测网络进行复杂产品费用预测。以导弹作为复杂产品的样例进行实验，经实验论证，GAN-CNN联合网络预测的准确性约为95%。