EEG信号处理与分类CNN模型集合+样例运行训练

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。

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%

随着深度学习的研究热潮，近年来对车辆目标的检测逐步从机器学习方法转变为深度学习方法.目前，大多数深度学习方法对车辆目标的检测都存在不同程度的错检漏检问题.针对车辆目标检测中存在的小目标的错检漏检、截断式待检目标的漏检和重叠遮挡待检目标的漏检等问题，提出一种基于增量学习数据集的车辆目标检测方法，该方法与Faster R-CNN算法结合对车辆目标实现检测和分类.在实验的最后，分别从主观判断和客观检测数据两个方面，对比了车辆目标检测中未使用增量学习方法和使用增量学习方法对实验结果的影响.实验证明，使用基于增量学习和Faster R-CNN的车辆目标检测方法在主观判断方面对错检漏检的目标有明显地改善效果，从客观数据分析，使用该方法与未使用增量学习方法相比，VGG16网络mAP值提升了4%，ResNet101网络mAP值提升了6%.

花卉图像识别项目，基于 tensorflow，现有的 CNN 网络可以识别四种花的种类。适合新手对使用 tensorflow进行一个完整的图像识别过程有一个大致轮廓。项目包括对数据集的处理，从硬盘读取数据，CNN 网络的定义，训练过程，还实现了一个 GUI界面用于使用训练好的网络。

弱监督定位调查：使用PyTorch中预先训练的CNN进行弱监督对象定位的各种算法的调查

猫狗分类 CNN模型，用于用猫或狗对图像进行分类。 用5个“ relu”层和一个“ Sigmoid”层对CNN模型进行训练，以对给定图像包含猫还是狗进行分类。 该模型仅训练了20个纪元，因此准确率达到了75％。 使用自定义学习率将时间段增加到300或更多可以提高模型的准确性。 带有HTML和CSS的flask应用程序提供了一个可工作的Web应用程序界面，用于对图像进行分类。

在工厂和工作场所，有很多情况下，人们可以通过视觉读取仪表值，但越是连续执行，工人的负担就越大，并且可能会发生人为错误。有许多基于规则的图像处理工作，但要创建可在任何环境中使用的稳健算法并不容易。 在此示例代码中，相机获取的仪表值是使用深度学习来预测的。这是自定义用于回归图像判断的训练过的 CNN (AlexNet) 并将仪表值（连续值）应用于读数的示例。 AlexNet 的训练网络可在此处获得。 https://jp.mathworks.com/matlabcentral/fileexchange/59133-deep-learning-toolbox-model-for-alexnet-network [Keyward]图像处理、计算机视觉、深度学习、机器学习、CNN、IPCV演示、深度学习、机器学习、回归、回归、迁移学习

matlab++显示代码行数 matlab_CNN_kinect 大创项目代码：利用CNN和Kinect进行动作识别 具体文件： 使用get skeleton data 获取骨架线数据，利用train skeleton net进行训练，使用recognition进行识别显示; deepth map是在深度图上绘制骨骼点; vid skeleton是动态显示骨架线; SkeletonView 是绘制骨架线的函数; 文件夹内的get_poin_data是直接得到骨骼点数据，存储并用来训练pb神经网络;

Python基于CNN的图像分类系统源码.zip