提出了一种基于梅尔倒谱系数统计特征和卷积神经网络的电子变调语音检测算法。首先提取待测语音的梅尔倒谱系数及其差分系数，并将上述系数的统计特征进行有针对性的构造，作为卷积神经网络的输入。从卷积核尺寸、卷积核个数以及池化层尺寸等方面，对24种不同网络结构进行了测试评估，最终确定了可有效用于变调检测的卷积神经网络结构。实验结果表明，所提出的算法能够有效地检测出电子变调的痕迹，并可准确估计出电子变调语音经过的具体伪造操作，为电子变调语音的检测提供了一种新的方法。

遥感影像的变化检测是遥感应用研究的热点之一，在城市变化、环境监测、土地利用以及基础地理数据库更新等领域中有着广泛的应用.变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征和过程，具体工作是对同一地区不同时相的两幅或多幅图像进行分析，检测出其中的变化部分与未变化部分.本文提出了基于堆栈降噪自动编码器网络的变化检测方法，将应用于SAR （Synthetic Aperture Radar，合成孔径雷达）卫星图像变化检测的深度学习算法改进，使之适用于高分光学卫星图像，然后在孪生网络的结构上进行改进，提出了基于分支卷积神经网络的变化检测方法，最后设计算法去除了阴影干扰和噪声等伪变化，并在高分二号卫星中宁夏地区的实际生产数据影像上进行了测试，取得了不错的效果.

传统的图像融合算法多有计算复杂程度高、不能有效提取图像纹理等不足，为了弥补以上传统算法，提出了一种基于孪生卷积神经网络（Siamese Convolutional Neural Network，Siamese CNN）的图像融合方法.首先，用孪生卷积神经网络生成一个权重图，该权重图包含了来自两个待融合图像的全部像素信息.然后，用图像金字塔对像素以多尺度的方式进行融合，并且采用了局部相似性策略自适应调整分解系数的融合模式.最后，和现存的几种图像融合的方法进行了对比.实验证明，该方法有较好的融合效果，具有一定的可实用性.

本篇文章主要介绍了在HTML5 canvas里用卷积核进行图像处理的方法，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧

资料说明：包括数据+代码+文档+代码讲解。 1.项目背景 2.数据获取 3.数据预处理 4.探索性数据分析 5.特征工程 6.构建模型 7.结论与展望

资料说明：包括数据+代码+文档+代码讲解。 1.项目背景 2.数据获取 3.数据预处理 4.探索性数据分析 5.特征工程 6.构建CNN检测模型 7.模型评估 8.结论与展望

卡塞尔·皮尔·火炬（Caser-PyTorch） 来自论文的卷积序列嵌入推荐模型（Caser）的PyTorch实现： 通过卷积序列嵌入的个性化Top-N序列推荐，唐佳西和王珂，WSDM '18 要求 Python 2或3 脾气暴躁的 科学 用法 安装所需的软件包。 运行python train_caser.py 构型 数据 数据集分为2个单独的文件： train.txt和test.txt 与其他推荐数据格式相同，每个文件都包含三重集合： 用户项目评分 唯一的区别是三胞胎是按时间顺序组织的。 由于问题是顺序建议，因此评级无关紧要，因此我将其转换为1。 模型Args（在train_caser.py中） L ：序列长度 T ：目标数量 d ：潜在尺寸数 nv ：垂直过滤器的数量 nh ：水平滤波器的数量 ac_conv ：卷积层的激活函数（即纸中的phi_c） ac_fc ：完

CNNModel：简化C＃中卷积神经网络创建的模型

刚刚完成了卷积计算的2维方法,并修改了上次发的1维方法 所有方法都用MATLAB进行验证,计算结果相同.

预算matlab代码 全卷积网络的半监督深度学习MICCAI 2017论文的正式实施 克里斯托夫·鲍尔（ Christoph Baur ，慕尼黑TU），沙迪·阿尔巴古尼（ Shadi Albarqouni） （慕尼黑TU），纳西尔·纳瓦布（ Nassir Navab ）慕尼黑（TU）和巴尔的摩JHU C. Baur和S. Albarqouni对这项工作做出了同等贡献 抽象的： 深度学习通常需要大量带标签的训练数据，但是注释数据既昂贵又乏味。 半监督学习的框架提供了使用标记数据和任意数量的未标记数据进行训练的方法。 最近，针对标准CNN架构对半监督式深度学习进行了深入研究。 但是，全卷积网络（FCN）为许多图像分割任务设定了最新技术。 据我们所知，目前尚无针对此类FCN的半监督学习方法。 在随机特征嵌入的帮助下，我们提出了用于半监督学习的辅助流形嵌入到FCN的概念。 在有关MS病变分割的艰巨任务的实验中，我们利用提议的框架进行域适应，并报告了相对于基线模型的实质性改进。 C. Baur和S. Albarqouni对这项工作做出了同样的贡献。 资源 要求 MATLAB 2017a（最后测试