2022新整理红外热图像目标检测数据集（9500多张图像，及其对应可见光图像，COCO标签，80类），全套共13.4G

天文导航是以已知准确空间位置、不可毁灭的自然天体为基准，被动探测天体位置，经解算确定测量点所在平台的经度、纬度、航向和姿态等信息。其中以通过对恒星成像进行光电转换获取星点信息进行姿态确定的星敏感器应用最为广泛，他主要包括两个部分：星点提取和星点识别，本文主要关注前者。除了成像器件本身的噪声缺陷，由于空间辐射会导致星敏感器拍摄星图背景灰度均值增大, 背景起伏明显, 另一方面星敏感器探测的是微弱的恒星星光,对杂散光非常敏感,,主要的杂散光源为日光、月光和地气光等杂散辐射源,主要呈现为斜坡噪声。 传统的几何方法主要需要针对某一种情况下的某种应用，当成像器件、光学环境和空间环境等发生变化时，相应的方法也会发生改变。使用全卷积神经网络可在不改变网络结构的情况下，通过更改训练样本，灵活实现星点提取。具体到本文，主要解决三个方面的问题：1不同背景均值下的提取，2散点噪声下的提取，3斜坡噪声下的提取。

1.干货满满，整整50页，远远比网络上其他RNN的PPT好，PPT修改过3、4次 2.常见激活函数，损失函数 3.从原理出发讲解LSTM神经网络与传统RNN的区别 4.讲解多个RNN的变体原理细节，GRU、BRNN、BLSTM。 5.RNN的应用场景 6.RNN的背景及其意义

1.自编码器简介，包括（1.1什么是自编码器，1.2自编码器有什么用，1.3怎样构建自编码器，1.4自编码器及其变体） 2.稀疏自编码器(SAE)，包括（2.1为什么要有稀疏自编码器，2.2稀疏自编码器介绍，2.3稀疏自编码器原理，2.4与自编码器的区别） 3.收缩自编码器(CAE)，包括（3.1 预备知识，3.2 CAE目标，3.3 CAE构造） 4.去噪自编码器(DAE)，包括（4.1什么是去噪自编码器，4.2去噪自编码器的结构） 5.变分自编码器(VAE)，包括（5.1为什么用变分自编码器，5.2变分自编码器的结构）

1.GAN背景 2.GAN原理 3.最原始GAN 4.GAN变体 5.整整63页的ppt，下载就是赚到 到2014为止，最广泛使用和最成功的机器学习形式是监督学习。通过给定包含{输入X，输出Y}的训练数据集，监督学习算法学习从输入到输出的映射关系，以分类问题举例，监督学习算法得到的模型能够较好的识别特定的类别(一张照片属于狗或猫的情况)。 然而现有的监督学习通常需要数百万个训练数据来达到超过人类表现的效果，这对训练数据集的获取带来了极大的挑战。

人工智能 ： 智能语音技术架构

介绍了知识图谱与图神经网络

基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐算法的推荐系统实现.基于AFM推荐

咕泡人工智能百度网盘链接，100G网课，覆盖深度学习各领域，有大量论文及代码讲解

适用于水果分类CNN算法的使用