搜索资源列表
gengsiujen
- 中介真值程度度量，基于中介真值程度度量的图像分割本程序的性能已经达到较高水平，BP神经网络用于函数拟合与模式识别。- The true extent of the value of the intermediary measure, measure the true extent of the agency based on the value of image segmentation The performance of the program has reached a high leve
FastMaskRCNN-master
- 基于循环卷积神经网络的图像处理，可用于图像的模式识别-Based on circular convolution neural network image processing, pattern recognition can be used in the image
rbqwj
- 是机器学习的例程，完整的图像处理课设，包含所有源代码，汽车图像，BP神经网络用于函数拟合与模式识别。- Machine learning routines, Complete class-based image processing, contains all of the source code, auto image, BP neural network function fitting and pattern recognition.
practical-cnn-2016a-code-only.tar
- VGG卷积神经网络练习，在matlab中使用vlfeat/matconvnet对图像进行去模糊的操作进而更好的识别图像(VGG Convolutional Neural Networks Practical)
Image Identification
- 采用CNN 卷积神经网络对图像进行识别，两种方法，CNN,,MLP(CNN convolution neural network for image recognition, two methods, CNN, MLP)
CNN
- 卷积神经网络matlab代码,内附详细解释。可用于图像识别，数据分类。(this is an zip of matlab code for CNN used for data classification or figure recognization.)
BP_Untitled
- BP神经网络预测方向，通过图像识别函数，对方向做出合理预测(Prediction direction of BP neural network)
CNN
- 卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。(Convolution neura
23214419BFA-code
- 实现图像识别，基于小波变换实现图像特征提取，然后神经网络进行训练(The image recognition is realized, the image feature extraction is realized based on wavelet transform, and then the neural network is trained.)
FaceNet-A-Unified-Embedding-for-Face-Recognition-and-Clustering
- FaceNet---深度学习与人脸识别的二次结合 Facenet是一个通用的系统，采用CNN神经网络将人脸图像映射到128维的欧几里得空间，我们可以根据两幅人像的欧几里得距离去判断两个人像的相似程度。两个人像之间的欧几里得距离越近，说明它们越相似。 FaceNet可以用于人脸验证（是否是同一人？），识别（这个人是谁？）和聚类（寻找类似的人？）。FaceNet采用的方法是通过卷积神经网络学习将图像映射到欧几里得空间。空间距离直接和图片相似度相关：同一个人的不同图像在空间距离很小，不同人的图像在
深度学习入门：基于Python的理论与实现.pdf+代码
- 本书是深度学习真正意义上的入门书，深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3，尽量不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识，对误差反向传播法、卷积神经网络等也有深入讲解，此外还介绍了深度学习相关的实用技巧，自动驾驶、图像生成、强化学习等方面的应用，以及为什么加深层可以提高识别精度等“为什么”的问题。(This book is a true sen