笑脸 笑脸检测与使用卷积深层神经网络 。 本示例基于mnist_cnn.py示例，以32x32（而不是28x28）运行。 要编译ZMQVideoInput应用，需要 。 如果要使用OpenCV运行实时捕获，并且正在使用OS X，我建议通过使用Python，并通过以下方式安装OpenCV： conda install -c https://conda.anaconda.org/menpo opencv3

基于深度学习的方面情感分析是自然语言处理的热点之一。针对方面情感，提出基于方面情感分析的深度分层注意力网络模型。该模型通过区域卷积神经网络保留文本局部特征和不同句子时序关系，利用改进的分层长短期记忆网络（LSTM）获取句子内部和句子间的情感特征。其中，针对LSTM添加了特定方面信息，并设计了一个动态控制链，改进了传统的LSTM。在SemEval 2014的两个数据集和Twitter数据集上进行对比实验得出，相比传统模型，提出的模型的情感分类准确率提高了3%左右。

用卷积滤波器matlab代码MexConv3D Matlab mex实现（具有CPU和GPU版本）的3D（卷）ConvNet基本操作。 潜在用途：视频，体积数据（CT，MR）等。API和约定与一致。 概述 mex_conv3d.m用于3D卷积，而mex_maxpool3d.m用于3D最大池化。 它们的调用约定分别与中的vl_nnconv.m和vl_nnpool.m一致。 在此项目中，仅提供了最基本的构建基块。 要在Matlab中使用现成的3D ConvNet，需要一个高级包装，例如in或vl_simplenn.m 。 安装 一步步： 在根目录中运行make_all.m以创建mex文件如果启用GPU，则需要CUDA工具包 在根目录中运行setup_path.m以添加路径 （可选）将CD run_all.m文件夹unittest并运行run_all.m以验证一切正常 MexConv3D已在以下环境中经过测试： Matlab R2014a + Windows 8.1 + Visual Studio 2012 + CUDA工具包6.5（如果启用GPU） Matlab R2014a + Ubun

深度学习 ，目标检测 、卷积神经网络

卷积神经网络CNN识别图像集Cifar10，使用Jupyter Notebook 编写的 Python代码，含建模及测试，代码注释清晰，十分适合新手

使用卫星图像和卷积神经网络比较城市环境 该存储库包含与该论文相关的代码，该论文。 本文的稍作修改的版本出现在中的会议。 该存储库包含本文中介绍的数据处理，模型训练和分析的Python实现： 用于构建城市环境土地利用分类的培训和评估数据集的代码位于文件夹中 本文使用的卷积神经网络分类器的Keras实现以及分类文件夹中的Keras实用程序，用于数据提取和多GPU训练（带有TensorFlow后端） 用于训练和验证模型以及产生分析结果和图表数据的代码位于文件夹中的笔记本中。 在以监督方式对卷积网络分类器进行卫星数据训练后，可通过研究为每个卫星图像提取的特征，将其用于比较许多城市的城市街区（城市环境）。 引文 如果您使用本文中的代码，数据或分析结果，我们恳请您引用上面的文章为： 利用卷积网络和卫星图像大规模识别城市环境中的模式。 A. Toni Albert，J。Kaur和MC Gonz

海上石油平台监控环境复杂，采油工作平台摄像头监控角度不同，海上环境复杂多变，雨雾等天气下，摄像头图片模糊不清.针对上述增加了目标检测的难度的问题，提出了一种基于卷积神经网络的复杂场景目标检测算法（简称ODCS）来检测图像中的特定对象.该方法结合不同分辨率的特征图预测来自然处理各种尺寸的对象，消除了特征重新采样阶段，并将所有计算封装在单个网络中，这样易于训练且可以直接集成到需要检测组件的系统中.实验结果表明，相对于传统的方法，该方法检测在准确率和召回率上明显提高，且检测效率能够满足实时应用的要求.

系统介绍了卷积神经网络技术，包括什么是卷积，什么是池化，常用的算法，精简意赅，个人觉得PPT很赞。。。。。。

matlab for循环代码 使用MCNN进行Crowd Counting 安志成 github地址： 本文主要基于https://github.com/svishwa/crowdcount-mcnn； 该项目是对CVPR 2016 paper "Single Image Crowd Counting via Multi Column Convolutional Neural Network"的实现； 我们希望使用这个已经比较成熟的模型来对我们的data set进行测试，查看其方法对我们的数据集进行crowd counting的效果如何！ * 我们的程序对其源代码进行了改写，将其从2.7版本的python改为3.6版本 一、 环境搭建 首先要搭建深度学习的环境，本项目采用的环境配置如下： Ubuntu16.04 （win10系统下也可） python 3.6 anaconda nvidia cuda 9.2 cudnn for cuda 9.2 pytorch 具体搭建过程可参考博客 https://blog.csdn.net/Mrx_Nh/article/details/798889