肺炎-CNN：一种卷积神经网络，旨在从胸部X射线检测肺炎。 有关X射线的更多信息，请查看以下资源：http：www.cell.comcellfulltextS0092-8674（18）30154-5

带连续卷积的拉格朗日流体模拟 该存储库包含我们ICLR 2020论文的代码。 我们展示了如何使用连续卷积将基于粒子的流体模拟网络训练为CNN。 该代码使您可以生成数据，训练自己的模型或仅运行预训练的模型。 如果您认为此代码有用，请引用我们的论文 ： @inproceedings{Ummenhofer2020Lagrangian, title = {Lagrangian Fluid Simulation with Continuous Convolutions}, author = {Benjamin Ummenhofer and Lukas Prantl and Nils Thuerey and Vladlen Koltun}, booktitle = {International Conference on Learni

psf的matlab代码去卷积3D 显微图像的3D反卷积代码 使用深度学习Abhijeet Phatak的EE367最终项目3D反卷积（） 入门 1.36797.tif是从以下位置获得的数据集 2.数据集是1904x1900x88图像。 使用反卷积函数通过20次迭代来估算44个宽视野[WF]（观察/模糊），44个结构化照明[SIM]（地面真实情况）PSF。 更多的迭代可能会带来更好的结果，但如果这样，请使用edgetaper，否则可能会产生振铃效果。 3.阅读提示部分 4.首先运行getPSF.m，它将使用MATLAB的盲反卷积算法来生成PSF。 它还可以横向缩放堆栈，以加快计算速度。 5，它还以.mat格式存储不同的堆栈，以便可以通过不同的方法直接使用它们。 RL 确保您已运行getPSF.m 然后运行runRL.m ADMM 确保您已运行getPSF.m 然后运行runADMM.m 要详细了解以上两种方法，您可能需要参考本白皮书。 （） 7，矩阵以MATLAB v6二进制格式存储，以便轻松导入python而不会降低性能。 神经网络 请确保已安装tensorflow-gpu。 否则，

1.使用其预训练的模型进行图像分类、人脸识别等。 2.采用GPU模式训练一个MNIST数据集合分类器 （CPU的使用/GPU的使用）

本书从实用角度着重解析了深度学习中的一类神经网络模型——卷积神经网络，向读者剖析了卷积神经网络的基本部件与工作机理，更重要的是系统性的介绍了深度卷积神经网络在实践应用方面的细节配置与工程经验。笔者希望本书“小而精”，避免像某些国外相关书籍一样浅尝辄止的“大而空”。

MachineLearning_Project 通过操纵神经网络的各种参数，已经开发出用于人类活动识别的CNN体​​系结构。 培训和测试在公共数据集MHEALTH上进行，用于将人类活动分为与各种活动相对应的12类。 通过由2个卷积，2个最大池和2个线性层组成的体系结构，我们实现了96％的精度和90.52％的F1得分，优于在同一数据集上训练的几个最新模型。

上回书说到了对人脸的检测，这回就开始正式进入人脸识别的阶段。 关于人脸识别，目前有很多经典的算法，当我大学时代，我的老师给我推荐的第一个算法是特征脸法，原理是先将图像灰度化，然后将图像每行首尾相接拉成一个列向量，接下来为了降低运算量要用PCA降维， 最后进分类器分类，可以使用KNN、SVM、神经网络等等，甚至可以用最简单的欧氏距离来度量每个列向量之间的相似度。OpenCV中也提供了相应的EigenFaceRecognizer库来实现该算法，除此之外还有FisherFaceRecognizer、LBPHFaceRecognizer以及最近几年兴起的卷积神经网络等。 卷积神经网络（CNN）的前级包

提出了一种基于卷积神经网络和长短期记忆（LSTM）神经网络的深度学习网络结构。采用特征融合的方法，通过卷积网络提取出浅层特征与深层特征并进行联接，对特征通过卷积进行融合，将获得的矢量信息输入LSTM单元。分别使用数据光流信息与红绿蓝信息训练网络，将各网络的结果进行加权融合。实验结果表明，所提模型有效地提高了行为识别精度。

为提高天线收发分时体制干扰设备的干扰能力，文中结合卷积调制干扰与间歇采样直接转发干扰，形成包含两种干扰方式优点的联合干扰方式。该方式可以在雷达径向距离上形成数目不受限制的假目标群。仿真结果证明该方法的可行性。在现有的数字射频存储平台的实测结果显示了径向分布的假目标群，更进一步表明该方法的有效性。

本论文是一篇关于如何基于FPGA平台进行卷积码编码和viterbi译码的过程论文，让你能更好完成相关卷积码编码译码的设计仿真等。