基于卷积神经网络的人脸识别. 完整代码 可直接运行 我们整个人脸识别系统总共分为 5 个部分：图像采集、人脸检测、数据整理、卷积神经网络的构建和训练、人脸实时识别。 3.1 图像采集 在卷积神经网络训练之前，首先得有数据。我们通过 opencv 调用电脑摄像头拍取约 10 个人的人脸照片，每人拍 600 张。为拍照的 10 个人分别建立一个文件夹，并将其所拍照片统一放置该文件夹中，文件夹以起名字拼音命名，最后将这 10 个文件夹统一放置于一个总文件夹中，并以“faceImages”命名。示意图如下：

原始的U-Net采用跳跃结构结合高低层的图像信息, 使得U-Net模型有良好的分割效果, 但是分割结果在宫颈细胞核边缘依然存在分割欠佳、过分割和欠分割等不足. 由此提出了改进型U-Net网络图像分割方法. 首先将稠密连接的DenseNet引入U-Net的编码器部分, 以解决编码器部分相对简单, 不能提取相对抽象的高层语义特征. 然后对二元交叉熵损失函数中的宫颈细胞核和背景给予不同的权重, 使网络更加注重细胞核特征的学习. 最后在池化操作过程中, 对池化域内的像素值分配合理的权值, 解决池化层丢失信息的问题. 实验证明, 改进型U-Net网络使宫颈细胞核分割效果更好, 模型也越鲁棒, 过分割和欠分割比率也越少. 显然, 改进型U-Net是更有效的图像分割方法.

车辆识别方法计算量大,提取的特征复杂,且传统神经网络利用端层特征进行分类导致特征不全面,为此提出了一种结合卷积神经网络(CNN)多层特征和支持向量机(SVM)的车辆识别方法。该方法在传统AlexNet模型基础上构建卷积神经网络模型,通过分析参数变化对测试正确率的影响得到最优车辆识别模型;提取多层车辆特征图,采用串行融合方法与主成分分析降维技术将其构成一个具有多属性的车辆特征向量,以增强特征全面性,减少计算量;利用SVM分类器代替CNN的输出层实现车辆识别,以提高模型泛化能力与纠错能力。实验结果表明,相比传统方法,所提方法在分类精度和识别速度方面都有显著提高,且具有良好的稳健性。

本资源为深度学习课程设计 含课程设计完整过程的数据集以及实验报告 可供参考 由matlab代码编写构建双层CNN卷积神经网络识别Minist的手写体数据，其中将不断改进的代码跟另外使用工具函数编写的另一个CNN程序结果比较，有一个较为直观的运行效果对比。能够很好的看出程序设计的优劣。使用的是双层卷积神经网络，后向传播用的是随机梯度下降及其优化版本。 适用于CNN初学者以及希望更进一步的学习者。 dataset是MNIST。这里层的概念是指convolution+pooling 函数说明： read_label和read_image分别为读取标签和图像数据点的函数 convolve是实现卷积的函数，pool是实现池化的函数 SGD_MSGD是主函数，把minibatch设为1就是SGD，大于1就是MSGD OPTIMAL是优化版的主函数，OPTIMAL_FINALE是最终优化版的主函数，toolbox是用工具箱函数写的CNN，用于对比之前函数的运行效果。 SGD_MSGD，OPTIMAL，OPTIMAL_FINALE，toolbox都可以直接运行得到答案

这是我自己设计的一个人脸识别系统的课题，基于Python语言研发了人脸识别管理系统，并在Pycharm平台完成主要功能模块的分析与设计，在摄像头采集到完整人脸信息的同时，对人员的身份进行认证和管理。本文所设计的人脸识别系统一方面可以实现人员的安全认证功能，还能够给重要场所的人员管理提供安全保障，测试结果表明：该系统能够准确识别人脸信息，并显示当前人员的录入时名字，而没有录入的人脸显示unknown，为有效解决人员管理问题提供了参考。使得人员安全管理系统具备了更高的实用价值，有着巨大市场潜力和应用前景。以下是重要内容阐述： 1、人脸识别部分主要是依靠人脸特征提取来实现； 2、摄像头捕获人脸后，会进行图像预处理，包括噪声处理、光照预处理和几何预处理； 3、采用卷积神经网络为人脸识别算法； 4、基于Python和Pycharm平台来实现系统设计； 5、通过CNN训练发现，能够对人脸进行准确识别，识别率高达97%；

摘要：人工神经网络作为人工智能的分支，在模式识别、分类预测等方面已成功地解决了许多现代计算机难以解决的实际问题。然而随着人工智能的发展，神经网络的自主性特征学习

一维卷积神经网络，cnn，回归预测，多输入，单输出，基于matlab，替换数据和特征个数即可，拿来直接使用。分为清空环境变量、导入数据、划分训练集和测试集、数据平铺、构造网络结构、参数设置、训练模型、均方根误差、绘制网络分析图、绘图、相关指标计算等几个模块，各个模块均标有备注，直接替换数据即可使用，用于新手学习深度学习算法非常好

为了进一步提高点云图像船舶分类方法的分类准确率,提出了一种基于三维卷积神经网络(3D CNN)的点云图像船舶分类方法。首先采用密度网格方法将点云图像转为体素网格图像,将体素网格图像作为3D CNN的输入对象;接着通过设计的6层3D CNN提取体素网格图像的高水平特征,捕捉结构信息;最后在输出层利用Softmax函数进行分类,得到最终的分类结果。实验结果表明,在自建的点云图像船舶数据集上,所提方法的分类准确率达到了96.14%,比3D ShapeNets方法和VoxNet方法分别提高了5.97%和2.46%。在悉尼城市目标数据集上,与现有一些方法相比,所提方法的分类准确率较高。这些结果均证明所提方法具有良好的分类性能。

一种基于三维卷积神经网络的视网膜OCT图.PDF，专利，一种基于三维卷积神经网络的视网膜OCT图.PDF，专利

实现去雾算法，发现其中的问题，并对算法进行改进。 我首先实现了基于暗原色先验的去雾算法，并从运算速度和去雾效果方面进行了一定的改进。 之后，我训练了 AOD 卷积网络来进行图像去雾，并对数据集图片做一定的处理，增加了网络的鲁棒性，去雾效果也很不错。暗原色先验的去雾算法使用 MATLAB 实现，使用 MATLAB 的 GUI 设计了用户界面；AOD 卷积网络使用 Python 实现，使用 pyqt 设计了用户界面。