''嘉积一小''局域网教学资源的上传与分享数学与综合篇-精选

三维卷积 (3D CNN) 素材数据

BCC卷积码的维特比译码算法_matlab_demo 自己参照原理写的维特比译码算法 对（2,1,7）217卷积码数据进行加高斯白噪声，对比不同信噪比下的维特比译码误比特率 使用：在matlab直接跑CC_SimTest.m可运行

使用：C文件和数据文件需在同一目录，需自己建立工程跑 应用：802.11wifi协议的(133,171)卷积码解码，根据待译码数据算出路径度量，选择最佳的路径进行回溯译码。使用的是硬解码

在开集协议下设计了一种基于角度距离损失函数和密集连接卷积神经网络的人脸识别算法, 以实现深度人脸识别。所设计的网络结构使用基于角度距离的损失函数, 让人脸特征的区分度更高, 符合特征的理想分类标准。同时, 所提出的神经网络结构采用先进的密集连接模块, 在很大程度上减少了传统网络结构的参数冗余。经过大量的分析和实验, 该算法在LFW数据集上的人脸识别准确率达到了99.45%, 在MegaFace数据集上的人脸确认任务和人脸验证任务中的人脸识别准确率分别为72.534%和85.348%, 因此所提算法在人脸识别任务中具有较高的优越性。

基于matlab的表情识别代码CNN的面部表情识别层次委员会 基于MatConvNet的MATLAB实现 [挑战] SFEW部分的获奖者，“野外挑战中的第三次情感识别”（），2015年 [论文]“，”多模式用户界面杂志（JMUI），2016年 1.输入预处理 Forder lib1_AlignFace_NormalizeInput包括 人脸注册代码（基于多管道的对齐方式） MatConvNet工具箱的输入归一化（照明归一化，对比度增强）+输入矩阵（imdb）格式的代码 下载以下库进行人脸注册 /pipeline_modules_functions/module1_ZR_FaceDetector 请访问→下载并解压缩“ face-release1.0-basic.zip”→将解压缩的文件移至“ module1_ZR_FaceDetector” /pipeline_modules_functions/module3_INTRAFACE_LandmarkDetector 请访问→下载并解压缩“ FacialFeatureDetection＆Tracking_v1.4.0.zip”→将文件移至

1--使用原始 EEG 数据训练 Deep ConvNET 具有手动制作光谱功能的2层感知器 请轻轻引用https://arxiv.org/abs/1907.05674 “使用 ConvNET 进行深度学习通过 EEG 预测图像任务” 使用的数据库EEG 运动/图像数据集https://physionet.org/pn4/eegmmidb/

都是我自己在知网上下载的语义分割论文，特别适合语义分割的入门学习，可以了解语义分割的训练与检测流程。

在Keras框架中修改图像分割的卷积神经网络“UNET”。Modification of convolutional neural net "UNET" for image segmentation in Keras framework

基于从一张含有任意人群密度和任意视角的图像中准确地估计出其中的人群数目的目的，采用了全卷积神经网络先从图像中获得其人群密度图，然后对人群密度图上每个位置进行求和操作得到最终的人群数目的方法。所采用的全卷积神经网络不受输入图像的分辨率和视角的影响，同时，通过增加池化层层数，扩大网络的感受野，适应了图像中人头比较大的情况。所提出的算法在UCF_CC_50标准数据集上取得了最好的效果，进而验证了算法的高准确率和有效性。