matlab alexnet图像识别代码ConvNet_地标 该软件包包含[]中介绍的工作的实现。 此外，已对原始作品进行了一些修改，例如对候选匹配项进行几何重排的过程。 最后，该软件包包括一个新的视觉位置识别模块，该模块利用原始的ConvNet地标算法作为Bag Of Word模型[]的简单特征提取器。 测试 跑步 startup.m 为了将必要的文件夹添加到matlab搜索路径。 否则，只需运行其中一个会自动调用启动功能的脚本即可。 在此步骤之后，为了启动该模块，只需在脚本script_convNet_bow和script_convNet_online之间运行一个即可。 参数 use_odometry use_mem build_mem use_odom enable_figures 主要脚本 script_convNet_bow.m：在此脚本的开头，有一个对get_defaults_bow.m的调用，该脚本包含将被加载到全局变量ds的所有需要​​配置的脚本。 因此，仅在未设置use_mem和build_mem标志的情况下使用它。 执行结束时，将在ds变量中收集的结果保存到名为fo

1--使用原始 EEG 数据训练 Deep ConvNET 具有手动制作光谱功能的2层感知器 请轻轻引用https://arxiv.org/abs/1907.05674 “使用 ConvNET 进行深度学习通过 EEG 预测图像任务” 使用的数据库EEG 运动/图像数据集https://physionet.org/pn4/eegmmidb/

带连续卷积的拉格朗日流体模拟 该存储库包含我们ICLR 2020论文的代码。 我们展示了如何使用连续卷积将基于粒子的流体模拟网络训练为CNN。 该代码使您可以生成数据，训练自己的模型或仅运行预训练的模型。 如果您认为此代码有用，请引用我们的论文 ： @inproceedings{Ummenhofer2020Lagrangian, title = {Lagrangian Fluid Simulation with Continuous Convolutions}, author = {Benjamin Ummenhofer and Lukas Prantl and Nils Thuerey and Vladlen Koltun}, booktitle = {International Conference on Learni

知识蒸馏TPU 使用ResNet和简单的ConvNet进行的卫星图像分类器知识蒸馏。 这些模型在TPU上进行了训练。

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。

convnet 的直接卷积神经网络FPGA实现纯C ++，与MNIST数据集。 在OpenCL优化版本中实现。 这里是我的介绍，并就其报告。

ConvNet_Uncertainty：使用Dropout计算不确定性

为视频中的动作识别建立一个简单的模型 只是为了展示如何在Keras中使用Conv3d。 在视频动作识别中使用KTH数据集。 如何建立更好的模型和调整参数取决于您。

CONVNET_Eye_Detection 动机 卷积神经网络旨在检测睁眼和闭眼的图像之间的差异。该检测在自动驾驶领域中尤其重要，以确保驾驶员不会睡在方向盘后方。 该数据集包含从野外（LFW）数据库中的“带标签的面Kong” [1]中选择的4852个眼睛的图像，它们分为2类打开和关闭。 所有功能都通过sklearn的StandardScaler类进行了标准化。分类标签也使用sklearn的Labelencoder类进行了数值转换。最后，将转换后的类向量整数标签转换为二进制矩阵，以促进与keras的to_categorical类进行分类交叉熵。 神经网络拓扑和结果摘要 二进制交叉熵损失函数与Rmsprop优化器一起用于此分类任务。 经过10个时间段后，训练和验证集分类器在区分睁眼和闭眼的图像时达到了约93％的准确度。 执照 参考 [1] Gary B. Huang，Manu Ramesh，T