卷积神经网络的纹理合成 Tensorflow实现的论文-“使用卷积神经网络进行纹理合成” 在此笔记本中，我们将基于给定的纹理生成新的纹理。 输出将从刮擦噪声图像生成。 该过程的步骤如下。 同样，创建笔记本是为了便于自学。 步骤1：预处理输入图像 步骤2：计算输入图像所有图层的输出。 步骤3：什么是损失函数，并计算损失函数。 步骤4：运行Tensorflow模型以最小化损耗并优化输入噪声变量。 步骤5：后期处理并显示图像。 第6步：自动化处理流程 步骤7：绘制成功结果。 结果： 档案： helper.py-用于预处理图像和后处理图像 tf_helper.py-用于计算给定纹理样本图像

深度卷积神经网络CNN的Theano实现（lenet），还包括一个单独的卷积层网络

用PyTorch微调预训练卷积神经网络

CNN用于脑室分割 这是在Neurostart hacka上使用CNN分割CT数据的结果。 这是用于脑室分割的全卷积人工神经网络的示例。 这是“个人3D脑图集”项目的第一步。 在Burdenko研究所的帮助下，基于FEFU（远东联邦大学）开发地图集。 感谢您提供数据，并向Dmitry Samborsky，Arthur Biktimirov和“ CPD C 305”实验室的工作人员提供建议。

主要内容是采用DEAP数据集将脑电信号进行频域分段并提取其微分熵特征，为了充分利用空间特征，结合微分熵特征将其构建为一个三维脑电特征，输入到连续卷积神经网络，并最终取得了90.24%的准确率。 提出了一种脑电特征的三维输入形式，并将其输入到连续卷积神经网络中进行情感识别。三维输入的优点是在集成多个频带的微分熵特征的同时保留电极之间的空间特征。 ———————————————— 版权声明：本文为CSDN博主「qq_3196288251」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/qq_45874683/article/details/121356408

【图像识别】基于卷积神经网络cnn实现银行卡数字识别matlab源码.zip

CNN-文本分类-keras 它是中作为功​​能api的简化实现 要求 训练 运行以下命令，如果要更改它将运行100个纪元，只需打开 python model.py 对于新数据 您必须重建词汇表然后进行培训。 引文 @misc{bhaveshoswal, author = {Bhavesh Vinod Oswal}, title = {CNN-text-classification-keras}, year = {2016}, publisher = {GitHub}, journal = {GitHub repository}, howpublished =

本ppt详细介绍了卷积神经网络的起源背景、算法原理、算法的执行过程、以及CNN的应用场景

回顾近年 来国 内外植物 叶片分类的研 究进展 ，指 出传 统方法存在 的缺 陷。 简述卷积 神经 网络在 图像分 类的优 势 ，为 了简单高效地对植物叶片进行识别 ，提 出一种基 于卷积神 经 网络(Convolutional Neural N etw ork ， CN N ) 的植物 叶片识别方法。 在 Sw edish 叶片数 据集上的实验结果表明 ，本算 法识 别正确 率高达 99 ．56％ ，显著优 于传统 的叶片识 别算法。

自动金属表面缺陷检查在工业产品的质量控制方面已受到越来越多的关注。金属缺陷检测通常是针对复杂的工业场景执行的，这是一个有趣但具有挑战性的问题。传统的方法是基于图像处理或浅层机器学习技术的，但是这些方法只能在特定的检测条件下检测缺陷，例如在一定范围内或在特定的照明条件下，具有明显对比度高的低缺陷轮廓和低噪声的缺陷。本文讨论了一种通过双重过程自动检测金属缺陷的方法，该过程可以准确地定位和分类从实际工业环境中捕获的输入图像中出现的缺陷。设计了一种新颖的级联自动编码器（CASAE）架构，用于分割和定位缺陷。级联网络基于语义分段将输入的缺陷图像转换为像素级预测蒙版。分割结果的缺陷区域通过紧凑卷积神经网络（CNN）分为特定类别。使用工业数据集可以成功地检测出各种条件下的金属缺陷。实验结果表明，该方法满足了金属缺陷检测的鲁棒性和准确性要求。同时，它还可以扩展到其他检测应用程序。