提出了一种融合全局和局部深度特征（GLDFB）的视觉词袋模型。通过视觉词袋模型将深度卷积神经网络提取的多个层次的高层特征进行重组编码并融合，利用支持向量机对融合特征进行分类。充分利用包含场景局部细节信息的卷积层特征和包含场景全局信息的全连接层特征，完成对遥感影像场景的高效表达。通过对两个不同规模的遥感图像场景数据集的实验研究表明，相比现有方法，所提方法在高层特征表达能力和分类精度方面具有显著优势。

针对目前发票自动分类方法对发票类型分类准确率不高的问题，提出了一种改进的AlexNet网络对发票类型进行快速高效的自动识别方法，在AlexNet的基础上对其参数进行改进，在大型数据集ImageNet上对网络进行训练，将训练好的AlexNet网络前五层作为特征提取器，对AlexNet提取的特征进行分类识别，最后在实验中采用不同的交叉验证方法，并与改进前的AlexNet网络分类结果进行比较。结果表明，提出方法的准确度达到98％的分类精度，高于传统AlexNet分类器的85%。目前系统已开始试用，并且性能稳定，满足了发票系统的业务需要。

通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商品推荐_数据通过DIN算法进行深度特征组合商

AutoBlur_CNN_Features 基于以下代码： ： 脚本，用于提取具有不同ConvNet的CNN深度特征，然后将其用于具有线性核的SVM分类器的图像分类任务，涉及以下小型数据集：足球[1]，飞鸟[2]，17flowers [3]，ImageNet-6Weapons [4]和ImageNet-7节肢动物[4]。 使用VGG16提取的功能或MobileNet进入SVM分类器。 允许比较使用完整图像或使用AutoBlur方法过滤之间的差异 随代码一起提供了Soccer数据集，因此可以轻松对其进行测试： 足球：原始图像 SoccerAutoBlurBB：应用AutoBlur过滤技术并使用相应的边界框裁剪后的原始图像 参考： [1]范德·韦耶尔（J. van de Weijer），施密德（C. Schmid），着色局部特征提取，Proc.Natl.Acad.Sci.USA。

深度学习理论在计算机视觉中的应用日趋广泛，在目标分类、检测领域取得了令人瞩目的成果，但是深度学习理论在目标跟踪领域的早期应用中，由于存在跟踪时只有目标为正样本，缺乏数据支持，对位置信息依赖程度高等问题，因而应用效果并不理想，传统方法仍占据主流地位.近年来，随着技术的不断发展，深度学习在目标跟踪方向取得了长足的进步.本文首先介绍了目标跟踪技术的基本概念和主要方法，然后针对深度学习在目标跟踪领域的发展现状，从基于深度特征的目标跟踪和基于深度网络的目标跟踪两方面重点阐述了深度学习在该领域的应用方法，并对近期较为流行的基于孪生网络的目标跟踪进行了详细介绍.最后对近年来深度学习在目标跟踪领域取得的成果，以及未来的发展方向作了总结和展望.

Deep Feature Extraction and Classification of Hyp全文翻译（带公式）

《Image Matching from Handcrafted to Deep Features: A Survey》的前5章翻译

针对已有深度特征用于视频分类精度较低的不足,提出了一种新的基于视频时空域深度特征两级编码融合的视频分类方法.首先基于两个深度卷积神经网络模型分别提取视频帧的深度空域信息和深度时域信息;然后依次采用Fisher向量和局部聚合对上述时空域的深度信息进行两级级联编码,实现对视频的高效表征;最后基于两级编码后的时空域联合深度特征,利用支持向量机进行分类.在UCF101上的实验结果表明,与已有的方法相比,算法具有更好的分类精度.

多粒度深度特征学习可实现强大的行人检测