我編的CNN c++程序，對CNN學習者可能有用
標簽： CNN 程序
上傳時間： 2015-10-11
上傳用戶：894898248
用CNN和DSP實現(xiàn)視頻序列目標跟蹤，matlab仿真源代碼，細胞神經(jīng)網(wǎng)絡(luò)實現(xiàn)了圖像處理。
標簽： CNN DSP 視頻序列 目標跟蹤
上傳時間： 2014-01-23
上傳用戶：ukuk
細胞神經(jīng)網(wǎng)絡(luò)(CNN)GUI源代碼 細胞神經(jīng)網(wǎng)絡(luò)(CNN)是一種和人類神經(jīng)網(wǎng)絡(luò)非常相似的并行計算模型，各個鄰接節(jié)點間有不同的通信。在本程序中A模型是反饋矩陣，B是控制矩陣。
標簽： CNN 神經(jīng)網(wǎng)絡(luò) GUI 源代碼
上傳時間： 2014-01-27
上傳用戶：kelimu
jsp書店CNN來看是絕對法律框架是獨立房間是東方
標簽： jsp CNN 獨立 房間
上傳時間： 2013-11-25
上傳用戶：kr770906
卷積神經(jīng)網(wǎng)絡(luò)（CNN）的matlab實現(xiàn)
標簽： matlab CNN
上傳時間： 2019-04-28
上傳用戶：與可12138
DeepLearnToolbox-master，含有NN,SAE,CNN,DBN等
標簽： DeepLearnToolbox-master
上傳時間： 2016-07-03
上傳用戶：廣德玄武
基于matlab實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的圖像識別，對于初學者很有幫助，代碼齊全
改壓縮文件包含車牌數(shù)據(jù)集，車牌識別的python程序代碼，使用CNN卷積網(wǎng)絡(luò)實現(xiàn)
標簽： python 車牌識別 程序
上傳時間： 2019-06-28
上傳用戶：WSRY5220
深度學習，神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò) Analysis of Deep Learning Models using CNN Techniques
標簽： 卷積 神經(jīng)網(wǎng)絡(luò) 模型分析
上傳時間： 2020-01-02
上傳用戶：wzy2020
紅外圖像檢測技術(shù)因具有非接觸、快速等優(yōu)點，被廣泛應(yīng)用于電力設(shè)備的監(jiān)測與診斷 中，而對設(shè)備快速精確地檢測定位是實現(xiàn)自動檢測與診斷的前提。與普通目標的可見光圖像相比， 電力設(shè)備的紅外圖像可能存在背景復雜、對比度低、目標特征相近、長寬比偏大等特征，采用原 始的 YOLOv3 模型難以精確定位到目標。針對此問題，該文對 YOLOv3 模型進行改進：在其骨干 網(wǎng)絡(luò)中引入跨階段局部模塊；將路徑聚合網(wǎng)絡(luò)融合到原模型的特征金字塔結(jié)構(gòu)中；加入馬賽克 （Mosaic）數(shù)據(jù)增強技術(shù)和 Complete-IoU（CIoU）損失函數(shù)。將改進后的模型在四類具有相似波紋 外觀結(jié)構(gòu)的電力設(shè)備紅外圖像數(shù)據(jù)集上進行訓練測試，每類的檢測精度均能達到 92%以上。最后， 將該文方法的測試結(jié)果與其他三個主流目標檢測模型進行對比評估。結(jié)果表明：不同閾值下，該 文提出的改進模型獲得的平均精度均值優(yōu)于 Faster R-CNN、SSD 和 YOLOv3 模型。改進后的 YOLOv3 模型盡管在檢測速度上相比原 YOLOv3 模型有所犧牲，但仍明顯高于其他兩種模型。對 比結(jié)果進一步驗證了所提模型的有效性。
標簽： 電力設(shè)備 紅外目標檢測
上傳時間： 2021-10-30
上傳用戶：
蟲蟲下載站版權(quán)所有 京ICP備2021023401號-1
