资源给大家带来一个利用卷积神经网络（CNN）进行中文OCR识别，实现自己的一个OCR识别工具。 一个OCR识别系统，其目的很简单，只是要把影像作一个转换，使影像内的图形继续保存、有表格则表格内资料及影像内的文字，一律变成计算机文字，使能达到影像资料的储存量减少、识别出的文字可再使用及分析，这样可节省人力打字的时间。

资源给大家带来一个利用卷积神经网络(pytorch版)实现空气质量的识别分类与预测。 我们知道雾霾天气是一种大气污染状态，PM2.5被认为是造成雾霾天气的“元凶”，PM2.5日均值越小，空气质量越好． 空气质量评价的主要污染物为细颗粒物(PM2.5)、可吸入颗粒物(PM10)、二氧化硫(SO2)、二氧化氮(NO2)、臭氧(O3)、一氧化碳(CO)等六项。

网络模型共含有19层，其中7层传统卷积层、8层深度可分离卷积层、4层最大池化层。同时，使用了 Adam优化器及对数损失函数。网络结构如图4所示，顺序从左至右、从上至下，并做以下说明： Conv为传统卷积层，其后3个参数分别代表：卷积核个数、卷积核大小、步长。 activation表示该层对应的激活函数。 SeparableConv为深度可分离卷积层，其后2个参数分别代表：卷积核个数、卷积核大小，步长均为 1。 MaxPooing为最大池化层，其后2个参数分别代表：滤波器大小、步长。 ReLU为线性整流函数，作为卷积后的激活函数，相比sigmoid函数和tanh函数有着更好的效果。 softmax用于将最后一层卷积输出的七个数值映射到（0,1）区间，并使它们和为 1。 这样能更直观地以概率的形式显示结果。 在每一层卷积过后，都加入了批量归一化（Batch Normalization，BN）层，图中未标出。批量归一化对网络训练的各个方面都有一定的提升作用。它可以加快训练并提高性能、解决梯度消失的问题、规范权重、优化网络梯度流等，所以很有必要加入。 整个网络参数数量仅为75906个，其中可训

cnn图像分类。通过已有的大量的花卉图片素材，编写卷积神经网络对花卉图片训练集进行训练，并且将训练后所得模型存放在指定文件夹。再编写一个简洁的python图形的用户交互界面，实现图片的选择，根据训练出来的神经网络将识别结果输出，并通过绘制的图形进行分析和评估。实验对比后发现花卉图像分类识别效果较好，测试集准确率达到了99%以上，具有较高的识别准确率和稳定性。

文件中的代码有些是ipynb文件，将其转换为py文件，操作步骤如下： pip install jupyter win+R，输入cmd，回车 cd+空格+ipynb文件所在路径 输入：jupyter nbconvert --to script *.ipynb，该路径下的ipynb文件均可转为py文件 详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/122538153?spm=1001.2014.3001.5502

Python 实现LSB算法进行信息隐藏 包含空域与变换域 JPEG信息隐藏算法 对PDF文件进行信息隐藏 基于卷积神经网络的隐写分析 Matlab SRM、SCA隐写分析• 空域编码是指在图像空间域进行编码，也就是直接针对图像像素进行编码 • 对像素进行编码，如 LSB 算法，主要有下面两种方式 ◦ 光栅格式 ◦ 调色板格式 GIF(graphics interchange format) • 一个图像编码标准往往包括多类编码方法，一个图像仅仅是其一类方法的实例。例如，常见的 BMP（Bitmap）、 TIFF（ Tagged Image File Format）、 PNG（Portable Network Graphics）均支持光栅格式与调色板格式编码，对这两种格式 编码分别又支持多种具体编码方法 LSB 隐写算法 --- • LSB 隐写是最基础、最简单的隐写方法，具有容量大、嵌入速度快、对载体图像质量影响小的特点 • LSB 的大意就是最低比特位隐写。我们将深度为 8 的 BMP 图像，分为 8 个二值平面（位平面），我们将待嵌入的信息（info）直接写到最低

基于CNN训练的一套 "端到端" 的验证码识别模型，使用深度学习+训练数据+大量计算力，纯数字识别率高达 99.99%，数字+字母识别率 96%

Gabor卷积神经网络实现非接触掌纹识别

高光谱分解 卷积神经网络的高光谱图像分解（无分叉，半成品） 说明 先决条件 Python 3.8 TensorFlow 2.3.0 建议使用conda创建虚拟环境并使用以下命令安装依赖项： pip install -r requirements.txt 用法 在设置参数后，在终端中输入以下命令： python run.py 更多细节： 使用python run.py -h获取更多参数设置详细信息。 数据集 我们提供了两个处理后的数据集：数据集中的Jasper Ridge（jasper），Urban（urban）/ data.npy：高光谱数据文件。 data_gt.npy：基本事实文件。 data_m.npy：端成员文件。 更新：2021年2月10日

提出了利用卷积神经网络(CNN)对儿童注意缺陷与多动症(ADHD)的功能性核磁共振图像（fMRI）进行特征分析，从而对ADHD患者进行判别分析。针对ADHD-200全球竞赛的三个数据库的fMRI数据，首先利用快速傅里叶变换将数据从时域转换到频域，并利用Fisher线性判别方法选择有效的频率信息，然后利用改进的卷积神经网络对选择频域数据进行特征学习，自动提取出有效的特征并进行分类。实验结果表明，提出的方法有助于ADHD患者的判别，为基于fMRI数据的ADHD研究提供了新的手段。