利用卷积神经网络实时识别手势动作 一共识别5种手势动作 剪刀动作 2.石头动作 3.布动作 4.OK动作 5.good动作 项目文件 项目文件列表如下： data：存放训练集、测试集，实时保存的图像（用于在线检测）。 ges_ico：存放UI窗口使用的各种图标。 log：存放训练的CNN网络的模型参数。 CallFrame.py：界面窗口的逻辑文件，用来调用界面文件并编写信号与槽函数。 Frame.py：界面窗口的界面文件，通过PyQt5的designer工具生成。 GetTestImage.py：利用OpenCV获取图片并标记，用来制作测试集。 GetTrainImage.py：利用OpenCV获取图片并标记，用来制作训练集。 SaveGesture.py：利用OpenCV实时获取图片，并进行预处理，用于在线检测手势。 TestGesture.py：将实时获取的图片送入已训练好的C

用于脑肿瘤检测的 CNN 一个用 Python 开发的卷积神经网络，使用 Keras 和 Tensorflow 进行二进制分类，训练用于检测 MRI 图像中的脑肿瘤。 它达到了 90% 的准确率。

基于keras，后端为theano的卷积神经网络分类，代码是二分类，主要对猫狗进行识别分类

随着新能源的不断发展，大量大容量风电机组并入电网运行，给电网的安全可靠运行以及风力发电的可持续发展都提出了新的挑战。提出一种风功率预测模型，该模型以风电场风功率历史数据以及风速、风向等数值天气预报数据作为输入对风功率进行预测。考虑到风功率预测中输入数据的波动性和不确定性，在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN)，以提高模型对原始数据的特征提取和降维能力，并引入dropout技术减少模型中的过拟合现象。工程实例分析表明，所提模型在预测准确度和运算速度方面均优于长短记忆神经网络模型。

颜色分类leetcode 颜色分类-CNN 在 Keras 中实现的颜色识别。 这是 CNN 的 Keras 实现。 该实现支持 TensorFlow 后端。 原始模型的目标是从交通摄像头检测车辆颜色。 在论文中，他们展示了使用 CNN 的车辆颜色识别系统。该模型成功地以非常高的准确率捕获了车辆颜色，达到 94.47%。 要了解有关模型工作原理的更多信息，请参阅（使用卷积神经网络的车辆颜色识别，Reza Fuad Rachmadi 和 I Ketut Eddy Purnama） 模型架构 模型的混淆矩阵

(在5-6台机器上测试绝对可用)在data/train中放要测试的数据集一种放一类，在retrain.bat修改retrain.py和inception_model的路径.每次训练时都要将bottleneck中的内容清空images中放要测试的图片。在测试训练好的模型中修改生成文件out的位置。本模型为inceptionv3，可训练自己的模型，现在包含相貌等级的数据集，可训练完后查看效果。内包含各种注意事项，需要安装tensorflow

DenseNet网络模型，DenseNet的另一大特色是通过特征在channel上的连接来实现特征重用（feature reuse）。这些特点让DenseNet在参数和计算成本更少的情形下实现比ResNet更优的性能

手写数字识别的Tensorflow完整代码，### 1. MNIST机器学习入门 **1.1.1 简介** 下载MNIST数据集，并打印一些基本信息： ``` python download.py ``` **1.1.2 实验：将MNIST数据集保存为图片** ``` python save_pic.py ``` **1.1.3 图像标签的独热表示** 打印MNIST数据集中图片的标签： ``` python label.py ``` **1.2.1 Softmax 回归** ``` python softmax_regression.py ``` **1.2.2 两层卷积网络分类** ``` python convolutional.py ``` #### 可能出现的错误 下载数据集时可能出现网络问题，可以用下面两种方法中的一种解决：1. 使用合适的代理 2.在MNIST的官方网站上下载文件train-images-idx3-ubyte.gz、train-labels-idx1-ubyte.gz、t10k-images-idx3-ubyte.gz、t10k-labels-idx1-ubyte.gz，并将它们存储在MNIST_data/文件夹中。 #### 拓展阅读 - 本章介绍的MNIST 数据集经常被用来检验机器学习模型的性能，在它的官网（地址：http://yann.lecun.com/exdb/mnist/ ）中，可以找到多达68 种模型在该数据集上的准确率数据，包括相应的论文出处。这些模型包括线性分类器、K 近邻方法、普通的神经网络、卷积神经网络等。 - 本章的两个MNIST 程序实际上来自于TensorFlow 官方的两个新手教程，地址为https://www.tensorflow.org/get_started/mnist/beginners 和 https://www.tensorflow.org/get_started/mnist/pros 。读者可以将本书的内容和官方的教程对照起来进行阅读。这两个新手教程的中文版地址为http://www.tensorfly.cn/tfdoc/tutorials/mnist_beginners.html 和http://www.tensorfly.cn/tfdoc/tutorials/mnist_pros.html。 - 本章简要介绍了TensorFlow 的tf.Tensor 类。tf.Tensor 类是TensorFlow的核心类，常用的占位符（tf.placeholder）、变量（tf.Variable）都可以看作特殊的Tensor。读者可以参阅https://www.tensorflow.org/programmers_guide/tensors 来更深入地学习它的原理。 - 常用tf.Variable 类来存储模型的参数， 读者可以参阅[https://www.tensorflow.org/programmers_guide/variables](https://www.tensorflow.org/programmers_guide/variables) 详细了解它的运行机制， 文档的中文版地址为http://www.tensorfly.cn/tfdoc/how_tos/ variables.html。 - 只有通过会话（Session）才能计算出tf.Tensor 的值。强烈建议读者 在学习完tf.Tensor 和tf.Variable 后，阅读https://www.tensorflow.org/programmers_guide/graphs 中的内容，该文档描述了TensorFlow 中 计算图和会话的基本运行原理，对理解TensorFlow 的底层原理有很 大帮助。

受空洞卷积在图像信息方面保持优秀性能的启发,为进一步提高分类精度,提出一种基于双通道空洞卷积神经网络(DCD-CNN)的高光谱图像分类框架。空洞卷积可扩展滤波器的感受野,有效地避免图像信息丢失,从而提高分类精度。在该框架中,分别采用含有空洞卷积的一维卷积神经网络(1D-CNN)和二维卷积神经网络(2D-CNN)提取高光谱图像的光谱特征和空间特征。再采用加权融合方法对提取的空间特征和光谱特征进行融合。最后将融合后的特征输入支持向量机进行最终分类。对两个常用的高光谱图像数据集进行实验并与现有的4种分类方法进行比较,结果表明,所提框架具有更好的分类性能。

改进深度残差卷积神经网络的LDCT图像估计_高净植.pdf