内科大深度学习课程作业。 矩阵与 神经网络模型 与 深度学习模型 关系 机器学习 与 深度学习 在训练数据中的区别 点乘与叉乘区别 深度学习模型 浅层与深层 关系 线性关系与非线性 权重和偏置 超参数（训练数据与可调整数据（var）） 误差其他说法 损失函数Loss fuction 预测值与真实值之间的差距 线性，非线性与过拟合 数据去粗取精，求最优 稀疏矩阵特点以及应用

基于深度学习+opencv的python车牌识别系统源码.zip 可作为毕业设计、课程设计、期末大作业等，下载即用，无需修改，只需下载项目到本地，运行GUI.py即可。 选择两个模块进入新的界面，根据按钮进行操作 本项目还可以进行优化，希望有实力的朋友们可以进行二次开发。 基于深度学习+opencv的python车牌识别系统源码.zip 可作为毕业设计、课程设计、期末大作业等，下载即用，无需修改，只需下载项目到本地，运行GUI.py即可。 选择两个模块进入新的界面，根据按钮进行操作 本项目还可以进行优化，希望有实力的朋友们可以进行二次开发。 基于深度学习+opencv的python车牌识别系统源码.zip 可作为毕业设计、课程设计、期末大作业等，下载即用，无需修改，只需下载项目到本地，运行GUI.py即可。 选择两个模块进入新的界面，根据按钮进行操作 本项目还可以进行优化，希望有实力的朋友们可以进行二次开发。 基于深度学习+opencv的python车牌识别系统源码.zip 可作为毕业设计、课程设计、期末大作业等，下载即用，无需修改，只需下载项目到本地，运行GUI.py即可。 选择两

大学深度学习论文提交，描述了生成模型G，判别模型D

机器学习和深度学习

适合再次领域内研究的初学者，内含数据集和算法

针对显著性检测中特征选择的主观片面性和预测过程中特征权重的难以协调性问题，提出了一种基于全卷积神经网络和多核学习的监督学习算法。首先通过MSRA10K图像数据库训练出的全卷积神经网络（FCNN），预测待处理图像的初步显著性区域；然后在多尺度上选择置信度高的前景、背景超像素块作为多核支持向量机（SVM）分类器的学习样本集，选择并提取八种典型特征代表对应样本训练SVM；接着通过多核SVM分类器预测各超像素显著值；最后融合初步显著图和多核学习显著图，改善FCNN网络输出图的不足，得到最终的显著性目标。该方法在SOD和DUT-OMRON数据库上有更高的AUC值和F-measure值，综合性能均优于对比方法，验证了该方法在显著性检测中准确性的提高，为目标识别、机器视觉等应用提供更可靠的预处理结果。

前言 人脸识别在LWF(Labeled Faces in the Wild)数据集上人脸识别率现在已经99.7%以上，这个识别率确实非常高了，但是真实的环境中的准确率有多少呢？我没有这方面的数据，但是可以确信的是真实环境中的识别率并没有那么乐观。现在虽然有一些商业应用如员工人脸识别管理系统、海关身份验证系统、甚至是银行人脸识别功能，但是我们可以仔细想想员工人脸识别管理，海关身份证系统的应用场景对身份的验证功能其实并没有商家吹嘘的那么重要，打个比方说员工上班的时候刷脸如果失败了会怎样，是不是重新识别一下，如果还是误识别，或是识别不出，是不是就干脆刷卡或是其他方式登记上班，然后骂一句他娘的，本人那

数据包括从19世纪40年代到现在的4.5万份菜单数据集 数据包括从19世纪40年代到现在的4.5万份菜单数据集 数据包括从19世纪40年代到现在的4.5万份菜单数据集

四种鱼类分类数据集，共254张图片。 四种鱼类分类数据集，共254张图片。 四种鱼类分类数据集，共254张图片。

它包含汽车的图像和它们的分割掩码。大部分照片都是从汽车侧面拍摄的。图像及其对应的掩码具有相同的名称。例如，“masks”文件夹中的003.png对应“images”文件夹中的003.png文件。掩码中的每个像素显示对应图像中对应像素的类。例如，像素(3,7)的值为1，表示对应图像中的像素(3,7)属于第1类。在这个数据集中我们有以下5个类;0-背景1 -汽车2 -车轮3 -灯光4 -窗户；一半的图片来自互联网，另一半是在街上拍摄的。210张图片。