本文来自于个人微博，本文介绍基于regionproposal的R-CNN系列目标检测方法是当前目标检测技术领域最主要的一个分支。objectdetection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。objectdetection要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。objectdetection技术的演进：RCNN->SppNET->Fast-RCNN->Faster-RCNN这里有一个图像任务：既要把图中的

上下文R-CNN 在对象检测库的顶部，。 此实现利用了Detectron2开箱即用的许多功能：多种主干架构选项（例如C4，FPN），使用COCO文件轻松设置，轻松进行分布式培训，Tensorboard日志记录，Pytorch本机混合精度培训等。 环境设定 在开发过程中使用了Detectron2 0.3，Pytorch 1.6和CUDA 10.1。 欢迎使用PR处理新版本的PR，尤其是Detectron2。 对于绝对有效的环境- conda create -n contextrcnn python=3.7 conda activate contextrcnn pip install -r requirements.txt -f \ https://dl.fbaipublicfiles.com/detectron2/wheels/cu101/torch1.6/index.html

1.领域：FPGA，CNN卷积神经网络 2.内容：题目，vivado2019.2平台中通过verilog实现CNN卷积神经网络包括卷积层,最大化池化层以及ReLU激活层+操作视频 3.用处：用于CNN卷积神经网络算法编程学习 4.指向人群：本科，硕士，博士等教研使用 5.运行注意事项： 使用vivado2019.2或者更高版本测试，用软件打开FPGA工程，然后参考提供的操作录像视频跟着操作。 工程路径必须是英文，不能中文。

1.领域：matlab，语音MFCC特征提取，CNN深度学习训练实现语音识别 2.内容：语音MFCC特征提取并通过CNN深度学习训练实现语音识别+matlab操作视频 3.用处：用于语音MFCC特征提取，CNN深度学习训练实现语音识别算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

1.领域：matlab，CNN卷积神经网络，代码中提供了转化后的mat格式,matlab可以直接读取的MNIST标准数据库 2.内容：通过MATLAB编程实现基于CNN卷积神经网络的手写数字识别算法,数据库为MNIST标准数据库+matlab操作视频 3.用处：用于CNN卷积神经网络编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

案例12 SVM神经网络的数据分类预测-葡萄酒种类识别.zip 自学案例 可以直接使用 已包含数据集 Matlab 深度学习 BP神经网络 神经网络 SVM 特征提取 分类 回归预测 粒子群算法 小波神经网络

大量车牌车市图片，车牌种类各种，颜色若干，从网上收集，感谢

优秀论文及配套源码。首先阐述了负荷预测的应用研究现状，概括了负荷预测的特点及其影响因素，归纳了短期负荷预测的常用方法，并分析了各种方法的优劣；接着介绍了作为支持向量机（SVM）理论基础的统计学习理论和SVM的原理，推导了SVM回归模型；本文采用最小二乘支持向量机（LSSVM）模型，根据浙江台州某地区的历史负荷数据和气象数据，分析影响预测的各种因素，总结了负荷变化的规律性，对历史负荷数据中的“异常数据”进行修正，对负荷预测中要考虑的相关因素进行了归一化处理。LSSVM中的两个参数对模型有很大影响，而目前依然是基于经验的办法解决。对此，本文采用粒子群优化算法对模型参数进行寻优，以测试集误差作为判决依据，实现模型参数的优化选择，使得预测精度有所提高。实际算例表明，本文的预测方法收敛性好、有较高的预测精度和较快的训练速度。

猫狗识别应用 本项目为Udacity机器学习课程毕业项目。 该项目关键难点在于： 开题报告以及论文的编写 图像原始数据的处理（异常检测、数据增强、图像尺寸标准化） 基于多个成熟CNN模型的模型融合 分类器的训练 对预测值的处理 目录结构说明 ├── app # 应用部署包 │ ├── model # 预训练CNN模型 │ ├── static # 静态资源文件 │ ├── templates # App网页入口 │ ├── cnn_model.py # 融合模型 │ └── webapp.py # 前端控制器 │ └── submission # 项目过程文档 如何运行 安装Anaconda,Tensorflow与Keras 具体安装方法请自行百度。 创建运行环境 $ conda create -n py36 python=3.6 切换运行环境

Age_Gender_CNN_Tensorflow 使用CNN预测年龄与性别 感谢： 使用tensornets作为预训练模型：