分享 BP CNN RNN LSTM 算法核心点： 反向传播算法的核心就是 梯度下降 + 链式法则求偏导 所谓神经网络的训练或者是学习，其主要目的在于通过学习算法得到神经网络解决指定问题所需的参数， 这里的参数包括各层神经元之间的连接权重以及偏置等

使用OpenCV和CNN进行图像分割 使用OpenCV（和深度学习）进行图像分割

svm预测matlab代码3D LiDAR 点云中水果检测的 Matlab 实现。 介绍 该项目是使用 LiDAR 传感器 Velodyne VLP-16（Velodyne LIDAR Inc.，San Jose，CA，USA）获取的 3D 点云中水果检测的 matlab 实现。 此实现用于评估 ，其中包含 11 棵富士苹果树的 3D LiDAR 数据以及相应的果实位置注释。 在以下位置找到更多信息： 准备 首先，克隆代码 git clone https://github.com/ GRAP-UdL-AT/fruit_detection_in_LiDAR_pointClouds.git 然后，在保存代码的同一目录中创建一个名为“data”的文件夹。 在 /data 文件夹中，保存可用的地面实况和点云数据（“AllTrees_Groundtruth”和“AllTrees_pcloud”）。 先决条件 MATLAB R2018（我们没有在其他matlab版本中测试过） 计算机视觉系统工具箱 统计和机器学习工具箱 数据准备 LFuji-air 数据集：保存在 /data 文件夹中。 交叉验证

1、python程序 2、有数据集 3、迭代数据快

基于SVM的疲劳驾驶系统。基于神经网络的非接触式疲劳驾驶检测已成为当前针对疲劳驾驶检测领域炙手可热的研究方向。它有效解决了接触式疲劳检测方法给驾驶员带来的干扰以及单一信号源对于反映疲劳程度可靠性低的问题，同时通过设计神经网络模型对多源信息进行分类，实现对疲劳状态的高精度和高速度的检测。选取合适的特征值对网络检测准确率以及准确反映疲劳程度至关重要。基于驾驶员生理信号检测可靠性和准确性较高。

SVM light 工具箱(包含window版本和matlab版本) 由美国cornell大学的教授Thorsten Joachims部署 执行SVM二分类 速度明显快于libsvm 下载文件中包含 1.例子(inductive SVM 和 transductive SVM) 2.说明文件 3.源程序

针对 YOLO 目标检测算法在小目标检测方面存在的不足 ， 以及难以在嵌入式平台上达到实 时性的问题 ， 设计出了一种基于 YOLO 算法改进的 dense _ YOLO 目标检测算法

1.注意这里SSA不是麻雀算法 2.python程序 3.有数据集，算法迭代速度快，收敛快

弱监督的CNN分割的正则损失（rloss） （Caffe和Pytorch） 为了使用弱监督（例如，涂鸦）训练CNN进行语义分割，我们提出了规则化的损失框架。 损失包括两个部分，即涂抹时的部分交叉熵（pCE）损失和正则化损失（例如DenseCRF）。 如果您在此处使用代码，请引用以下论文。 “关于弱监督的CNN分割的规则损失” ，（ ，（ ，（ ，（ ） 在2018年9月于德国慕尼黑举行的欧洲计算机视觉会议（ECCV）上。 DenseCRF丢失 要包括CNN的DenseCRF损失，请添加以下损失层。 它有两个底部斑点，第一个是RGB图像，第二个是软分割分布。 我们需要为XY（bi_xy_std）和RGB（bi_rgb_std）指定高斯内核的带宽。 layer { bottom: "image" bottom: "segmentation" propagate_

CNN+CTC_tutorial.ipynb为语音模型的教程，详细介绍了搭建网络的一步步的操作。 LanguageModel2.py为基于统计的语言模型，dict.txt为统计的字典。 test.ipnb用于测试模型性能。 数据集使用的是清华的数据集，下载后放在项目同级目录即可运行