图像超分辨率重建( super － resolution，SＲ) 是指从观测到的低分辨率图像重建出相应的高.分辨率图像，在目标检测、医学成像和卫星遥感等领域都有着重要的应用价值． 近年来，随着深度.学习的迅速发展，基于深度学习的图像超分辨率重建方法取得了显著的进步． 为了把握目前基于.深度学习的图像超分辨率重建方法的发展情况和研究热点，对一些最新的基于深度学习的图像.超分辨率重建方法进行了梳理，将它们分为两大类( 有监督的和无监督的) 分别进行阐述． 然后，.在公开的数据集上，将主流方法的性能进行了对比分析． 最后，对基于深度学习的图像超分辨率.重建方法进行了总结，并对其未来的研究趋势进行了展望．

图像着色的目标是为灰度图像的每一个像素分配颜色，它是图像处理领域的热点问题。以U-Net为主线网络，结合深度学习和卷积神经网络设计了一个全自动的着色网络模型。在该模型中，支线使用卷积神经网络SE-Inception-ResNet-v2作为高水平的特征提取器，提取图像的全局信息，同时在网络中使用PoLU(Power Linear Unit)函数替代线性整流函数(ReLU)。实验结果证明此着色网络模型能够对灰度图像进行有效的着色。

项目概况 欢迎来到AI Nanodegree中的卷积神经网络（CNN）项目！ 在这个项目中，您将学习如何建立一个可在Web或移动应用程序中使用的管道，以处理用户提供的真实世界的图像。 给定狗的图像，您的算法将确定犬的品种的估计值。 如果提供了人像，则代码将识别出类似狗的品种。 在探索最新的CNN模型进行分类的同时，您还将就应用程序的用户体验做出重要的设计决策。 我们的目标是，通过完成本实验，您将了解将一系列旨在在数据处理管道中执行各种任务的模型拼接在一起所面临的挑战。 每个模型都有其优点和缺点，设计一个实际应用程序常常需要解决许多问题，而没有一个完美的答案。 但是，您不完善的解决方案仍会带来有趣的用户体验！ 项目说明 指示 克隆存储库，然后导航到下载的文件夹。 git clone https://github.com/udacity/dog-project.git cd dog-pro

项目概况 卷积神经网络（CNN）项目，可在Web或移动应用程序中使用以处理现实世界中用户提供的图像。 给定狗的图像，它将识别出犬的品种。 如果提供了人像，则代码将识别出类似狗的品种。 目标是了解将一系列旨在执行数据处理管道中各种任务的模型组合在一起所面临的挑战。 每个模型都有其优点和缺点，设计一个实际应用程序常常涉及解决许多问题而没有一个完美的答案。 项目说明 指示 克隆存储库并导航到下载的文件夹。 git clone https://github.com/iNinad/dog-breed-classifier cd dog-breed-classifier 下载 。 解压缩文件夹并将其放置在path/to/dog-project/dogImages ，位于path/to/dog-project/dogImages 。 dogImages/文件夹应包含133个文件夹，每个文件夹对应一

卷积神经网络(CNN)项目，给你一个狗的图像，你的算法将会识别并估计狗的品种

为提高人脸表情分类的识别率和实时性,提出一种基于卷积神经网络(CNN)局部特征融合的人脸表情识别方法。首先,构建CNN模型,学习眼睛、眉毛、嘴巴3个局部区域的局部特征;然后,将局部特征送入到支持向量机(SVM)多分类器中获取各类特征的后验概率;最后,通过粒子群寻优算法优化各特征的最优融合权值,实现正确率最优的决策级融合,完成表情分类。实验表明,本文方法在CK+和JAFFE数据库的平均识别率分别达到了94.56%和97.08%,与其他识别方法相比,本文方法性能优越,能提高算法的识别率和稳健性,同时保证了算法的实时性。

matlab遥感分类代码CNN-AL-MRF 这就是《Hyperspectral Image Classification with Convolutional Neural Network and Active Learning》的代码。 如果您使用此代码，请在您的工作中引用以下论文。 [1] 曹向勇，姚敬，徐宗本，孟德宇。 具有卷积神经网络和主动学习的高光谱图像分类。 IEEE 地球科学与遥感学报，2020 年。() [2] H. Bi、F. Xu、Z. Wei、Y. Xue 和 Z. Xu，一种用于最小监督 polsar 图像分类的主动深度学习方法。 IEEE 地球科学与遥感学报，2019 年。 在 Windows 中安装 Matconvnet 请按照网站上的说明进行操作：。 再现结果 重现第四部分的实验结果。 D(1)，请跑 matlab CNN_AL_MRF_main.m 接触： 如果您有任何问题，欢迎与我联系（ / ）。

类激活图 通过可视化对于这些模型的预测（或视觉解释）“重要”的输入区域，可以使基于卷积神经网络（CNN）的模型更加透明的技术。 使用VinBigData图像和Inception架构的示例

VGGNet是牛津大学计算机视觉组（VisualGeometry Group）和GoogleDeepMind公司的研究员一起研发的的深度卷积神经网络。VGGNet探索了卷积神经网络的深度与其性能之间的关系，通过反复堆叠3*3的小型卷积核和2*2的最大池化层，VGGNet成功地构筑了16~19层深的卷积神经网络。VGGNet相比之前state-of-the-art的网络结构，错误率大幅下降，并取得了ILSVRC 2014比赛分类项目的第2名和定位项目的第1名。同时VGGNet的拓展性很强，迁移到其他图片数据上的泛化性非常好。VGGNet的结构非常简洁，整个网络都使用了同样大小的卷积核尺寸（3*3

【图像识别】基于卷积神经网络(CNN)实现垃圾分类Matlab源码.zip