语音识别通过CNN 孤立词语音识别，复旦大学计算机科学技术学院数字信号处理期末项目 介绍 此仓库实现了一个强大的语音识别系统，该系统可以识别20个单独的单词，例如“语音”，“北京”，“文件”等。它利用从原始语音中提取的梅尔频谱特征，将频谱视为图片，卷积神经网络被用来对它们进行分类。 详细中文介绍请参考课程报告。 怎么玩 您需要一个支持CUDA（因为推理过程需要GPU）和flask的pytorch（版本> = 0.4）的python环境。 强烈建议使用Anaconda设置了环境，了解更多详情，请参考[]和[ ]（适用于中国大陆用户的方便，请参见[]）。 设置环境后，您可以通过键入以下内容轻松启动识别服务 python audio_server.py 进入您的命令行。 该命令将在端口22339上启动Web服务，因此您可以通过localhost:22339访问它 通过单击按钮，您的声音将被

该论文运用的卷积神经网络（CNN）和LSTM，其中CNN处理频率和空间信息，LSTM处理从CNN输出中提取时间相关性，并将两种模型进行融合。数据集采用的是脑电研究中最常用的DEAP和SEED数据集并且在两个数据集中都取得了很高的准确率。都达到了92%左右的准确率。 论文设计了一种新模型，称为四维卷积递归神经网络。该模型将多通道脑电信号的频域特征、时域特征和空间特征（频率、空间和时间信息）集成在一起，用来提高脑电情绪识别的准确率。首先，提取脑电的这三种特征，我们将不同通道的差分熵特征转换为4维结构来训练深层模型。然后，介绍了卷积神经网络（CNN）和长短时记忆（LSTM）单元的递归神经网络相结合的CRNN模型。CNN用于从4D输入的每个时间片中学习频率和空间信息，LSTM用于从CNN输出中提取时间相关性。LSTM最后一个节点的输出执行分类。该模型在受试者内部划分的SEED和DEAP数据集上都达到了最先进的性能。实验结果表明，结合脑电频域特征、时域特征和空间域特征（频率、空间和时间信息）进行脑电情感识别是有效的。

多频道 用于越南人情绪分析的多通道LSTM-CNN模型 这是针对“用于越南人情绪分析的多通道LSTM-CNN模型” [ ]的实现。 我们提供了情绪分析数据集：VS。 数据集包括两个版本：标记化和不标记化。 要运行此代码： 请在preprocessing.py和load_data.py中指定数据路径。 运行“ python preprocessing.py”，然后运行“ python cnn_lstm.py” 要求： 凯拉斯 张量流 贡献 请在知识库中创建问题。 我们鼓励人们为该存储库做出贡献并在实际应用中应用。 执照 此存储库中的代码根据的条款。 如果您使用我们的数据或实施方式，请引用我们的以下论文，并通过电子邮件分享您的想法： @INPROCEEDINGS{Quan, author={Q. H. Vo and H. T. Nguyen and B. Le and M.

本ppt详细介绍了卷积神经网络的起源背景、算法原理、算法的执行过程、以及CNN的应用场景

去噪声代码matlab CNN-POCS CNN-POCS算法用于地震数据插值。 该存储库包含该文章的可复制代码。也可以访问此文章，但是它已经过时了。 要求和依存关系 该存储库取决于Matlab和matconvnet。 建议使用Matlab 2018a和1.0beta25之后的版本。 培训过程/ gpu测试需要CUDA。 请参考以设置您的环境。 CNN-POCS工作流程 训练 培训代码可以在中找到。 地震数据插值与去噪 我们提供了一些演示来重现一些结果。 使用自然图像的预训练模型位于folder中。 双曲事件数据和合成3D数据包含在中。 提供用于测试CNN-POCS算法进行地震数据插值的方法。 提供了使用自然图像预训练的CNN模型测试2D地震数据的去噪功能。 提供用于测试降噪3D地震数据的工具。 引文 如果此存储库可帮助您进行研究，请考虑引用我们的工作 @article{zhang2020can, title={Can learning from natural image denoising be used for seismic data interpolation?}, auth

[英语] 这个demo展示了如何使用LIME（Local Interpretable Model-agnostic Explanations）[1]解释CNN的分类。这个demo是基于[1]创建的，但实现可能与官方的有点不同。这段代码突出显示对分类有贡献的区域。它可以帮助您解释和改进模型，或者，如果突出显示的区域与真实类别无关，您可以认识到分类器对您来说不是不可信的。 该演示演示了带有ResNet-18 [2]的预训练模型的示例，请根据您的网络修改此代码LIME可用于任何类型的数据，并且该示例显示了用于图像分类的代码。 [日本人] 使用称为LIME的技术[1]，当通过深度学习执行图像分类时，我们可以可视化要点。请注意，可能与官方实现略有不同。在缩略图中，经过训练的网络 (ResNet-18 [2]) 在预测为金毛猎犬时将判断基础的位置可视化。 【关键词】 分类、cnn（卷积神经网络）

本篇文章主要介绍了用tensorflow搭建CNN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

卷积神经网络LeNet5 C语言源码，可以更改成自己的模型。

AutoBlur_CNN_Features 基于以下代码： ： 脚本，用于提取具有不同ConvNet的CNN深度特征，然后将其用于具有线性核的SVM分类器的图像分类任务，涉及以下小型数据集：足球[1]，飞鸟[2]，17flowers [3]，ImageNet-6Weapons [4]和ImageNet-7节肢动物[4]。 使用VGG16提取的功能或MobileNet进入SVM分类器。 允许比较使用完整图像或使用AutoBlur方法过滤之间的差异 随代码一起提供了Soccer数据集，因此可以轻松对其进行测试： 足球：原始图像 SoccerAutoBlurBB：应用AutoBlur过滤技术并使用相应的边界框裁剪后的原始图像 参考： [1]范德·韦耶尔（J. van de Weijer），施密德（C. Schmid），着色局部特征提取，Proc.Natl.Acad.Sci.USA。

很全面，很深刻的卷积神经网络（CNN）原理讲解。