内容包含了seed数据集与四份基于seed数据集的脑电情绪识别代码， 每一份代码都可以完整运行。 第一份是svm模型；第二份采用的pytorch框架，模型为svm和卷积神经网络（cnn）的混合模型。第三份是卷积神经网络（cnn）和循环神经网络（rnn）的混合模型。第四份是采用的机器学习算法，包含了五种机器学习常见的算法，例如决策树算法、朴素贝叶斯、K最近邻算法、随机森林算法等等。

针对现有的基于卷积神经网络的图像超分辨率算法参数较多、计算量较大、训练时间较长、图像纹理模糊等问题, 结合现有的图像分类网络模型和视觉识别算法对其提出了改进。在原有的三层卷积神经网络中, 调整卷积核大小, 减少参数; 加入池化层, 降低维度, 减少计算复杂度; 提高学习率和输入子块的尺寸, 减少训练消耗的时间; 扩大图像训练库, 使训练库提供的特征更加广泛和全面。实验结果表明, 改进算法生成的网络模型取得了更佳的超分辨率结果, 主观视觉效果和客观评价指标明显改善, 图像清晰度和边缘锐度明显提高。

针对全卷积孪生(SiamFC)网络算法在相似目标共存和目标外观发生显著变化时跟踪失败的问题,提出一种基于注意力机制的在线自适应孪生网络跟踪算法(AAM-Siam)来增强网络模型的判别能力,实现在线学习目标外观变化并抑制背景。首先,分别在模板分支和搜索分支中加入前一帧跟踪所得到的结果,弥补网络在应对目标外观变化的不足;然后通过在孪生网络中加入空间注意力模块和通道注意力模块实现不同帧之间的特征融合,从而在线学习目标形变并抑制背景,进一步提升模型的特征表达能力;最后,在OTB和VOT2016跟踪基准库上进行实验。实验结果表明,本文算法在OTB50数据集上的精确度和平均成功率比基础算法SiamFC分别高出了4.3个百分点和3.6个百分点。

这是卷积神经网络汇报的知识，包括网络的背景、结构、求解以及应用。是初学者很好的资料，希望对你有用。

在智能交通系统中，针对车辆目标检测算法可移植性不高、检测速度较慢等问题，提出了一种基于SqueezeNet卷积神经网络的车辆检测方法。通过融合SqueezeNet与SSD（single shot multibox detector）算法的车辆检测方法，在UA-DETRAC数据集上进行训练，实现了车辆目标的快速检测，提升了模型的可移植性，缩短了单帧检测时间。实验结果表明，所提模型在保证准确率的同时，模型单帧检测时间可达22.3 ms，模型大小为16.8 MB，相较于原SSD算法，模型大小减少了约8/9。

上海科学技术出版社出版的《计算方法丛书》之一 共8章： 1.初等数论 2.卷积运算和快速变换 3.数论变换的理论基础 4.Fermat数变换实现中的若干问题 5.代数数论初步 6.二次域和分圆域内的DFT构造 7.任意环上具有循环卷积性质的可逆变换 8.数论变换在其他方面的应用

不使用库函数的线性卷积。代码是自描述的

大气湍流会导致大气激光通信链路误码率性能的恶化，提出了一种频域反卷积方法抑制大气激光通信系统中的乘性噪声。该方法有效地把反卷积技术与大气激光通信相结合，算法中加入快速傅里叶变换(FFT)模块，将信号转换到频域进行反卷积滤波，降低了算法复杂度。利用大气激光通信实测系统在雨天天气下进行实验验证，对比反卷积前后调制信号的星座图并分析系统误码率。实验结果表明，频域反卷积能够降低大气激光通信系统的误码率，是一种抑制大气信道乘性噪声的有效方法。

深度学习在图像检索方面的应用，主要的思想是利用预训练网络，原文是英文，资源名称是我自己翻译过来的

当前卷积神经网络结构未能充分考虑RGB图像和深度图像的独立性和相关性, 针对其联合检测效率不高的问题, 提出了一种新的双流卷积网络。将RGB图像和深度图像分别输入到两个卷积网络中, 两个卷积网络结构相同且权值共享, 经过数次卷积提取各自独立的特征后, 在卷积层根据最优权值对两个卷积网络进行融合；继续使用卷积核提取融合后的特征, 最后通过全连接层得到输出。相比于以往卷积网络对RGB-D图像采用的早期融合和后期融合方法, 在检测时间相近的情况下, 双流卷积网络检测的准确率和成功率分别提高了4.1%和3.5%。