该项目是Matlab官网的项目（https://www.mathworks.com/help/deeplearning/ug/modulation-classification-with-deep-learning.html#ModulationClassificationWithDeepLearningExample-8）课程视频观看在B站视频（https://www.bilibili.com/video/BV1Xz411i7DU?from=search&seid=2778706） 源码下载（https://www.ilovematlab.cn/thread-590318-1-1.html）

为解决因手写书法作品种类繁多而识别困难的问题, 降低人们观赏书法的门槛, 本文提出了基于深度学习的手写书法字体识别算法. 识别过程中首先使用投影法等图像处理方法对书法作品图像中的汉字进行定位和分割,然后分别利用GoogLeNet Inception-v3 模型和 ResNet-50 残差网络进行书体风格识别和字形识别.

DeepFace一文依旧是沿着“检测-对齐-人脸表示-分类”这一人脸识别技术路线来的，其贡献在于对人脸对齐和人脸表示环节的改进。1）在人脸对齐环节，引入了3D人脸模型对有姿态的人脸就行分片的仿射对齐。2）在人脸表示环节，利用一个9层的深度卷积在包含4000人、400万张人脸的数据集上学习人脸表示，这个9层的DCNN网络有超过1.2亿个参数。本文的模型在LFW数据集上取得了97.25 的平均精度（逼近了人类97.5 的极限），同时在Youtube数据集上取得了当前最好的结果，比之前的NO.1整整高出了12.7 。

深度卷积网络在单幅图像超分辨问题上取得了非常好的效果，然而，由于超分辨问 题的病态性，自低分辨率的图像复原得到高分辨率图像的算法仍然有很大的改进空间。为了进一 步提高单幅图像超分辨率重建的精度，主要做了以下两个方面的工作：首先将增强预测的方法和 SRCNN 网络结合，在 Set5 数据集上的平均峰值信噪比较原始的 SRCNN 方法提升了大约 0.3dB；其 次，将 FSRCNN 网络第一个 5*5的卷积层改为两个 3*3的卷积层，提高了网络的非线性，在 Set5数据 集上相对于 FSRCNN 模型平均峰值信噪比提升了大约 0.3dB。

DeepResolution2.0 基于深度学习的多元曲线分辨率2.0 DeepResolution 已经提出了基于深度学习的多元曲线分辨率2.0（DeepResolution2.0）方法来自动解析GC-MS数据。 它在解析重叠峰方面具有出色的性能，适用于大规模数据分析。 与经典的多曲线分辨率方法相比，它具有快速，准确和全自动的特点。 ＃安装 ## python和TensorFlow Python 3.6.5，可从 TensorFlow（2.0.0-GPU版本），可在 ##安装依赖包 软件包主要包括：numpy，Scipy，Matplotlib，pandas和os。 这些软件包包含在集成工具Anaconda ＃存储库并直接运行 下载模型并直接运行 由于模型超出了限制，我们已将所有模型和一些GC-MS数据上传到百度SkyDrive和google驱动器。 （KEY：Deep）

近年来,视觉里程计广泛应用于机器人和自动驾驶等领域,传统方法求解视觉里程计需基于特征提取、特征匹配和相机校准等复杂过程,同时各个模块之间要耦合在一起才能达到较好的效果,且算法的复杂度较高。环境噪声的干扰以及传感器的精度会影响传统算法的特征提取精度,进而影响视觉里程计的估算精度。鉴于此,提出一种基于深度学习并融合注意力机制的视觉里程计算法,该算法可以舍弃传统算法复杂的操作过程。实验结果表明,所提算法可以实时地估计相机里程计,并具有较高的精度和稳定性以及较低的网络复杂度。

基于深度学习的多通道智能攻击检测，用于数据安全

提出了一种基于深度学习的车位智能检测方法。利用TensorFlow深度学习平台对车辆目标识别模型进行了训练, 提取了有效车辆图像的优化间隔, 给出了车辆分布的精准识别结果, 实现了对车辆分布识别结果的有序编号和车位空缺状况的准确判断。利用模拟数据和实际采集数据, 分别验证了车位分布的智能识别、车位智能编号和空车位判断的可靠性。

据我目前了解掌握，多目标跟踪大概有两种方式：基于初始化帧的跟踪，在视频第一帧中选择你的目标，之后交给跟踪算法去实现目标的跟踪。这种方式基本上只能跟踪你第一帧选中的目标，如果后续帧中出现了新的物体目标，算法是跟踪不到的。这种方式的优点是速度相对较快。缺点很明显，不能跟踪新出现的目标。基于目标检测的跟踪，在视频每帧中先检测出来所有感兴趣的目标物体，然后将其与前一帧中检测出来的目标进行关联来实现跟踪的效果。这种方式的优点是可以在整个视频中跟踪随时出现的新目标，当然这种方式要求你前提得有一个好的“目标检测”算法。本文主要讲述Option2的实现原理，也就是TrackingByDetecting的跟踪方

多模光纤是一种厚散射介质,当目标图像经过多模光纤传输时将形成多种模式耦合,从而在光纤的输出端生成散斑图案。基于深度学习对多模光纤成像进行复原,解决了厚散射介质成像失真的问题。采用DenseUnet,并以散斑图样作为模型的输入来重建目标图像。DenseUnet模型采用融合机制加深了网络的深度,提高了重建的准确性,并具有很好的鲁棒性。实验结果表明,DenseUnet可以很好地对具有不同长度的多模光纤产生的散斑图像进行重建。