车牌字符数据集-69类-包含汉字-英文-数字 可用于字符识别训练，神经网络cnn训练

跌倒检测两个流cnn 使用两流卷积神经网络（CNN）和运动历史图像（MHI）进行实时跌倒检测 该存储库包含使用两流CNN的实时跌倒检测模型的代码。 光流被“运动历史图像”（MHI）取代，可以进行实时推断。 utils.py文件包含用于生成数据的实用程序代码，train_model.py文件创建并训练模型，而fall_detection.py文件包含使用FDD数据集上的weights文件夹中的权重运行模型的代码。视频或您的网络摄像头。 有关模型架构，性能以及在不久的将来会出现的演示画面/图片的详细说明。 在生成的数据子集上实现了相当不错的交叉验证错误率。 当前致力于获取更多数据并完善数据生成技术。

【边缘检测】基于CNN的灰度图像边缘提取matlab源码.zip

1. 导入各种模块 基本形式为： import 模块名 from 某个文件 import 某个模块 2. 导入数据（以两类分类问题为例，即numClass = 2） 训练集数据data 可以看到，data是一个四维的ndarray 训练集的标签 3. 将导入的数据转化我keras可以接受的数据格式 keras要求的label格式应该为binary class matrices，所以，需要对输入的label数据进行转化，利用keras提高的to_categorical函数 label = np_utils.to_categorical(label, numClass 此时的label变为了

这是基于 CIFAR10 数据集的 CNN 在 TensorFlow 上的实现，与 上一个 相比增加了 TensorBoard 的实现，可以在浏览器中查看可视化结果。tensorboard 目录存放着用于可视化的日志文件。

深度学习Caffe框架实战剖析教程（深度学习、机器学习、LeNet-5模型、MNIST数据集、CNN），本教程以目前已经大量用于线上系统的深度学习主流框架Caffe为例，从底层开始，由浅入深，先是概述Caffe框架，说明其和深度学习的关系，然后讲解并演示 Caffe的配置、部署、使用，接着讲解了Caffe的基本数据结构，然后通过大量的阅读Caffe源码理解其精髓，加强对深度学习理论的理解，终达到熟练运用 Caffe 解决实际问题的目的。

针对传统的示功图识别方法对抽油机井进行故障诊断存在人工选取示功图特征,识别准确度低等问题,基于人工智能理论,提出一种卷积神经网络(CNN)和支持向量机(SVM)相结合的示功图智能识别模型。利用卷积神经网络对示功图图像特征自动提取,利用支持向量机根据提取的深层图像特征给出故障诊断结果。结果表明,将CNN与SVM结合用于示功图识别不仅省去了人工选取示功图特征这一环节,而且识别准确度也高达99.71%,测试性能优于其他识别模型。该模型的提出为抽油机井故障的快速准确诊断提供了可行的解决方案,对油田高效作业具有重要意义。

田春伟，徐勇，费伦克，王俊谦，文杰和罗楠发布的增强型CNN用于图像去噪，已在2019年CAAI Transactions on Intelligence Technology上发表。该方法由Pytorch实施。 ECNDNet的代码由Profillic（为您的项目提供动力的ML模型和代码的最大集合）收集，为 。 此代码使用Pytorch> = 0.4编写。 1.依存关系 pyTorch（> = 0.4） 火炬视觉 适用于Python的openCv 适用于Python的HDF5 Python 2.73 2.测试ECNDNet 如果噪声级别为15，我们将运行以下commod： python test.py --num_of_layers 17 --logdir sigma15 / --test_data Set68 --test_noiseL 15 或python test.py --num_

随着大数据和人工智能的发展, 将人工处理专利的方式转换为自动化处理成为可能. 本文结合卷积神经网络(CNN)提取局部特征和双向长短记忆神经网络(BiLSTM)序列化提取全局特征的优势, 在BiLSTM隐藏层引入注意力机制(Attention机制), 提出了针对中文专利文本数据的BiLSTM_ATT_CNN组合模型. 通过设计多组对比实验, 验证了BiLSTM_ATT_CNN组合模型提升了中文专利文本分类的准确率.

深度卷积神经网络特征提取的数学理论 . pdf