注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 卷积神经网络CNN项目：Sign Language（手势语言识别）

  2. 这是一个相对简单但又十分吸引人的机器学习项目。 在 Python 中使用卷积神经网络构造模型，可以识别手势并将其转换为机器上的文本。 该项目存储库的作者用 Tensorflow 和 Keras 共同搭建了 CNN 模型，他特别详细地说明了他是怎么创建这个项目的，以及每一步是怎么进行的。

  3. 所属分类：机器学习

    • 发布日期：2018-08-02
    • 文件大小：182452224
    • 提供者：michael_zzl

  1. 卷积神经网络轴承数故障分类

  2. 利用卷积神经网络对轴承故障数据进行分类，通过构造简单的卷积神经网络，达到良好的识别分类效果

  3. 所属分类：深度学习

    • 发布日期：2019-01-07
    • 文件大小：5120
    • 提供者：qq_42072704

  1. 深层卷积神经网络的目标检测算法综述_张泽苗.pdf

  2. 随着深度学习的发展，卷积神经网络在目标检测中取得了一系列研究成果． 相比基于人工特征构造的传统的目标检测 算法，基于深层卷积神经网络的算法具有特征自动提取，泛化能力强的优点，有较好的鲁棒性． 本文首先介绍了卷积神经网络在 目标检测基础任务图像分类上的进展，然后按照目标检测算法评价指标、算法框架以及公共数据集三个方面重点分析和比较近 年来基于深度学习模型的目标检测算法的研究情况，最后对目标检测算法未来的发展进行展望

  3. 所属分类：深度学习

    • 发布日期：2019-10-25
    • 文件大小：1048576
    • 提供者：echoson

  1. 基于卷积神经网络的矿工面部表情识别方法

  2. 针对传统的矿工面部表情识别方法识别率较低、算法复杂等问题,以卷积神经网络为基础,结合支持向量机算法中的非线性映射函数,提出了基于卷积神经网络的矿工面部表情识别方法。卷积神经网络采用权值共享的策略,运用固定权值直接构造卷积层,并依照匹配生长规则确定网络层次结构。将经过预处理的矿工面部表情图像作为卷积神经网络的测试集和训练集,使用支持向量机对表征矿工面部表情特征的神经元进行分类,从而实现对矿工面部表情的分类识别。实验结果表明,该方法对矿工面部表情的识别率达到90.71%,能够满足实际应用需要。

  3. 所属分类：其它

    • 发布日期：2020-04-25
    • 文件大小：1048576
    • 提供者：weixin_38558054

  1. 深度学习之--CNN卷积神经网络__整理版.docx

  2. 前段时间学习了BP网络和CNN网络，做了一些笔记，整理了相关公式推导，以及一些扩展，算是比较全面的深度学习入门资料啦~

  3. 所属分类：深度学习

    • 发布日期：2020-07-27
    • 文件大小：12582912
    • 提供者：Liyyeee

  1. 基于卷积神经网络的空中目标战术机动模式分类器设计

  2. 针对现有空中目标机动模式识别算法鲁棒性和抗噪性差的问题，提出了利用卷积神经网络直接对航迹数据进行非人工特征提取，从而实现机动模式识别的算法。针对目标机动段难以分割的现实情况，提出了滑动时间窗口的模式识别方法，并给出了基于滑动时间窗口的机动模式识别流程。对空中目标进行了航迹仿真，并进行了数据预处理，为卷积神经网络提供了合理训练样本。通过仿真实验确定了适合于机动模式识别的卷积神经网络的结构和参数，实验结果表明，构造好的卷积网络对机动模式的识别率达98.4%，并且在结合机动触发点后，对连续航迹的识别取

  3. 所属分类：其它

    • 发布日期：2020-10-17
    • 文件大小：593920
    • 提供者：weixin_38663167

  1. 卷积神经网络的意义（卷积层和池化层的意义，工业中与机理的融合等）

  2. 卷积神经网络有卷积层和池化层。包含多个卷积层和池化层。 卷积层有滤波器的作用。多层卷积层可描述为各级滤波器。获取不同粒度的信息 池化层也称为欠采样或下采样。主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。 传统神经网络特征提取和分类/回归等是分离的，也就是分别做参数的优化，这对整体优化不利。深度学习中，特征提取等和后续应用融合在一起，可以取得更好的性能。 卷积层和池化层都是可以构造的，如果应用到工业，是否可以根据工业特性（所谓工业的机理模型等）构造深度学习？这样能实现机

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：28672
    • 提供者：weixin_38749863

  1. PyTorch卷积模块

  2. 包括卷积层、池化层、提取层结构 构造一个简单的多层卷积神经网络 import numpy as np import torch from torch.autograd import Variable from torch import nn, optim import matplotlib.pyplot as plt class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init_

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：24576
    • 提供者：weixin_38581308

  1. 5.7 使用重复元素的网络（VGG）

  2. AlexNet在LeNet的基础上增加了3个卷积层。但AlexNet作者对它们的卷积窗口、输出通道数和构造顺序均做了大量的调整。虽然AlexNet指明了深度卷积神经网络可以取得出色的结果，但并没有提供简单的规则以指导后来的研究者如何设计新的网络。我们将在本章的后续几节里介绍几种不同的深度网络设计思路。 本节介绍VGG，它的名字来源于论文作者所在的实验室Visual Geometry Group。VGG提出了可以通过重复使用简单的基础块来构建深度模型的思路。 5.7.1 VGG块 VGG块的组成规

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：60416
    • 提供者：weixin_38550834

  1. pytorch实现VGG网络

  2. 使用重复元素的网络（VGG） AlexNet在LeNet的基础上增加了3个卷积层。但AlexNet作者对它们的卷积窗口、输出通道数和构造顺序均做了大量的调整。虽然AlexNet指明了深度卷积神经网络可以取得出色的结果，但并没有提供简单的规则以指导后来的研究者如何设计新的网络。我们将在本章的后续几节里介绍几种不同的深度网络设计思路。 本节介绍VGG，它的名字来源于论文作者所在的实验室Visual Geometry Group [1]。VGG提出了可以通过重复使用简单的基础块来构建深度模型的思路。

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：66560
    • 提供者：weixin_38692184

  1. pytorch之卷积神经网络nn.conv2d

  2. pytorch之卷积神经网络nn.conv2d 卷积网络最基本的是卷积层，使用使用Pytorch中的nn.Conv2d类来实现二维卷积层，主要关注以下几个构造函数参数： nn.Conv2d(self, in_channels, out_channels, kernel_size, stride, padding,bias=True)) 参数： in_channel:　输入数据的通道数； out_channel: 输出数据的通道数，这个根据模型调整； kennel_size: 卷积核大小；kenn

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：29696
    • 提供者：weixin_38580959

  1. 5.5 卷积神经网络(LeNet)

  2. 在“多层感知机的从零开始实现”一节里我们构造了一个含单隐藏层的多层感知机模型来对Fashion-MNIST数据集中的图像进行分类。每张图像高和宽均是28像素。我们将图像中的像素逐行展开，得到长度为784的向量，并输入进全连接层中。然而，这种分类方法有一定的局限性。 图像在同一列邻近的像素在这个向量中可能相距较远。它们构成的模式可能难以被模型识别。 对于大尺寸的输入图像，使用全连接层容易导致模型过大。假设输入是高和宽均为1,0001,0001,000像素的彩色照片（含3个通道）。即使全连接层输出个

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：121856
    • 提供者：weixin_38538472

  1. 用于监督超光谱图像分类的光谱空间域特定卷积深度极限学习机

  2. 光谱空间特征提取对高光谱图像（HSI）分类非常重要。 与传统的特征提取方法不同，诸如卷积神经网络（CNN）之类的深度学习模型可以自动学习光谱空间判别特征。 但是，深度学习模型通常需要构建一个庞大而复杂的网络，并且培训非常耗时。 为了解决这些问题，本文提出了一种谱空间特定的卷积深度极限学习机（ELM），称为S2CDELM，用于HSI分类。 首先，利用局部感受域（LRF）的概念，构造了具有两个分支的光谱空间卷积学习模块，分别用于光谱和空间特征提取。 具体地，通过使用随机卷积节点但不反向传播来构造卷积

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：3145728
    • 提供者：weixin_38661087

  1. 使用CIFAR10数据集进行图像分类：在本笔记本中，我将对CIFAR-10数据集中的图像进行分类。 数据集由飞机，狗，猫和其他物体组成。 在对图像进行预处理之后，我对所有样本都训练了卷积神经网络。 图像需要归一化，标签需要进行一次热编码-源

  2. 使用CIFAR10数据集进行图像分类 在本笔记本中，我将对CIFAR-10数据集中的图像进行分类。 数据集由飞机，青蛙，马和其他物体组成。 在对图像进行预处理之后，我对所有样本都训练了卷积神经网络。 图像需要进行归一化，标签需要进行一次热编码。 目录-> 获取数据 了解数据集 实作经验，实现归一化和一键编码功能 Tensorflow基础 模型架构和构造（使用不同类型的API） 训练模型 预测请打开jupyter笔记本以查看完整描述

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：8192
    • 提供者：weixin_42144199

  1. DeepEvolve：使用遗传算法快速发现神经网络的超参数-源码

  2. 深度进化 如今，训练神经网络相对容易，但是仍然很难弄清楚要使用哪些网络体系结构和其他超参数-例如，多少神经元，多少层以及哪些激活功能？ 从长远来看，当然，神经网络将学习如何在没有人工干预的情况下构造自己。 在此之前，开发应用程序优化的神经网络的速度将受到选择和完善超参数所需的时间和专业知识的限制。 DeepEvolve旨在通过针对特定数据集和分类问题快速返回良好的超参数来帮助解决此问题。 该代码支持MLP（即完全连接的网络）和卷积神经网络的超参数发现。 如果您有无限的时间和无限的计算资源，则可

  3. 所属分类：其它

    • 发布日期：2021-02-10
    • 文件大小：1048576
    • 提供者：weixin_42152298

  1. 基于监督学习的全卷积神经网络多聚焦图像融合算法

  2. 为进一步提高多聚焦图像的融合质量,提出一种基于监督学习的全卷积神经网络多聚焦图像融合算法。该算法旨在运用神经网络学习源图像不同聚焦区域的互补关系,即选择源图像中不同的聚焦位置合成一张全局清晰图像。该算法构造聚焦图像作为训练数据,网络采用稠密连接和1×1卷积以提高网络的理解能力和效率。实验结果表明,本文算法在主观视觉评估和客观评价两方面均优于其他对比算法,图像的融合质量得到进一步提升。

  3. 所属分类：其它

    • 发布日期：2021-01-26
    • 文件大小：13631488
    • 提供者：weixin_38614112

  1. 卷积神经网络pytorch简易代码实现

  2. 二维互相关运算 mport torch import torch.nn as nn def corr2d(X, K): H, W = X.shape h, w = K.shape Y = torch.zeros(H - h + 1, W - w + 1) for i in range(Y.shape[0]): for j in range(Y.shape[1]): Y[i, j] = (X[i: i + h, j: j +

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：65536
    • 提供者：weixin_38690017

  1. 基于卷积神经网络的电子变调语音检测算法

  2. 提出了一种基于梅尔倒谱系数统计特征和卷积神经网络的电子变调语音检测算法。首先提取待测语音的梅尔倒谱系数及其差分系数，并将上述系数的统计特征进行有针对性的构造，作为卷积神经网络的输入。从卷积核尺寸、卷积核个数以及池化层尺寸等方面，对24种不同网络结构进行了测试评估，最终确定了可有效用于变调检测的卷积神经网络结构。实验结果表明，所提出的算法能够有效地检测出电子变调的痕迹，并可准确估计出电子变调语音经过的具体伪造操作，为电子变调语音的检测提供了一种新的方法。

  3. 所属分类：其它

    • 发布日期：2021-01-19
    • 文件大小：1048576
    • 提供者：weixin_38635996

  1. 基于深度卷积神经网络的网络流量分类方法

  2. 针对传统基于机器学习的流量分类方法中特征选取环节的好坏会直接影响结果精度的问题，提出一种基于卷积神经网络的流量分类算法。首先，通过对数据进行归一化处理后映射成灰度图片作为卷积神经网络的输入数据，然后，基于LeNet-5深度卷积神经网络设计适于流量分类应用的卷积层特征面及全连接层的参数，构造能够实现流量的自主特征学习的最优分类模型，从而实现网络流量的分类。所提方法可以在避免复杂显式特征提取的同时达到提高分类精度的效果。通过公开数据集和实际数据集的系列仿真实验测试结果表明，与传统分类方法相比所提算法

  3. 所属分类：其它

    • 发布日期：2021-01-14
    • 文件大小：750592
    • 提供者：weixin_38595019

  1. CNNs-in-VRSs:卷积神经网络在视觉推荐系统中的相对重要性研究-源码

  2. 卷积神经网络在视觉推荐系统中的相对重要性研究 这是我们的论文《关于视觉识别推荐系统中卷积神经网络的相对重要性的研究》 （正在审查中）的官方实现库。 （a）亚历克斯网 （b）ResNet50 目录： 要求 首先，请确保您的系统已安装以下软件： 的Python 3.6.8 CUDA 10.1 cuDNN 7.6.4 然后，使用以下命令安装所有必需的Python依赖项： pip install -r requirements.txt 最后，应该按照以下方式构造数据集文件夹： ./da

  3. 所属分类：其它

    • 发布日期：2021-03-29
    • 文件大小：245760
    • 提供者：weixin_42133861
« 12 3 »