基于卷积神经网络的图像分类算法综述.pdf

基于CUDA技术的卷积神经网络识别算法

针对现有基于神经网络的极化码译码算法仅能对短码进行译码的问题(码长 N≤64),提出针对极化码长码(N≥512)的卷积神经网络译码算法,利用神经网络epoch和batch参数来调控神经网络的输入,而不

基于神经网络的图像分类，数据资源是基于CIFAR-10，内含训练测试数据（batch），是唐宇迪深度学习入门课程的修改代码，python3版本

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

针对现有的基于卷积神经网络的图像超分辨率算法参数较多、计算量较大、训练时间较长、图像纹理模糊等问题，结合现有的图像分类网络模型和视觉识别算法对其提出了改进。在原有的三层卷积神经网络中，调整卷积核大小，

传统的谱空联合分类算法通常定义一个邻域空间作为空间信息，忽略空间中非邻域空间信息，且容易将异类像元也考虑在内。针对高光谱图像分类问题，提出了一种加权K近邻算法能够自适应地提取空间信息。首先定义光谱和空

针对传统的遥感图像分类方法分类精度低的缺 点,提出了一种基于神经网络的分类方法。实验结果 表明,这种基于神经网络的分类器经过训练后,可应用 于遥感图像的分类,其分类精度明显高于传统的最大 似然分类法

为了进一步提高点云图像船舶分类方法的分类准确率,提出了一种基于三维卷积神经网络(3D CNN)的点云图像船舶分类方法。首先采用密度网格方法将点云图像转为体素网格图像,将体素网格图像作为3D CNN的输

字符级卷积神经网络短文本分类算法

本文档言简意赅地介绍了卷积神经网络的原理，从最基础的反向传播梯度下降开始介绍，是学习搭建卷积神经网络非常不错的参考资料。