基于深度卷积神经网络的图像分类算法

提出了一种基于集成卷积神经网络(CNN)的遥感影像场景分类算法。通过构建反向传播网络实现了场景图像的复杂度度量; 根据图像的复杂度级别, 选择CNN对图像进行分类, 完成了遥感影像的场景分类。使用所提

基于卷积神经网络,提出了短切毡缺陷分类的方法。通过旋转、平移和翻转对数据集进行扩充,解决了小数据样本在深度卷积神经网络中的过拟合问题;利用迁移学习的思想加速网络收敛,提高了网络的泛化能力;对比了不同网

本文使用caffe深度学习框架进行仿真实验，涉及人工神经网络、卷积神经网络等

提出了一种应用于跨年龄人脸识别的联合学习方法，该方法由深度卷积神经网络构建而成，能在特征学习的同时学习到最优的测度函数，从而避免不合适的固定阈值所带来的匹配错误．针对有限的内存、过拟合和计算复杂性高的

本研究基于深度卷积神经网络进行面部表情识别，通过对大量人脸图像的分析和学习，训练出一个高精度的面部表情识别模型。在实验中，我们在大量数据集上进行了测试，并对模型进行了优化，取得了良好的识别结果。此外，

提出了一种基于深度卷积神经网络估算大气湍流折射率结构常数 Cn2的方法。将湍流影响下的高斯光束光斑图像作为神经网络的输入,利用深度卷积神经网络提取图像的特征信息,得到 Cn2大小,并采用平均绝对误差、

基于深度卷积神经网络的人脸识别研究：传统人脸识别方法而言,卷积神经网络模型不需要人工进行大量而又复杂的特征提取算法设计,仅需要设计一个可行的网络模型,再将大量的人脸训练数据集加载到网络模型中,然后进行

利用深度神经网络进行基本图像分类 此代码在colab已经经过测试并且可以查看TensorBoard:地址 环境:Tensorflow-2.1.0、Python3.6、google colab In[1

随着深度相机的应用,三维场景的重建越来越简单、快速。从单视角的深度场景图像中检索 出物体还是比较困难,特别是物体的姿态估计。提出了一种基于卷积神经网络的深度图像姿态估计 算法。 该算法采用了回归估计来

目录 卷积神经网络基础 二维互相关运算 填充 步幅 多输入通道和多输出通道¶ 卷积层与全连接层的对比 池化 LeNet 模型 深度卷积神经网络(AlexNet) AlexNet 使用重复元素的网络(V