基于优化可形变区域全卷积神经网络的人头检测方法

人脸识别是目前计算机技术研究的热门领域，广泛应用于人们的日常生活，如门禁系统、摄像监视系统、相机 以及智能手机等。传统的人脸识别技术需要经过人工特征提取、特征选择以及分类器选择等一系列复杂步骤，然 而

基于卷积神经网络的人工智能选股策略研究深入探讨了卷积神经网络（CNN）在人工智能选股策略中的应用。不同于传统选股方法依赖于专家经验和有限的结构化数据，CNN能够直接从海量非结构化金融数据中学习复杂的

卷积神经网络的权值优化算法

卷积神经网络（Convolutional Neural Network，CNN）是一种源于人工神经网络（Neural Network，NN）的深度机器学习方法，近年来在图像识别领域取得了巨大的成功。C

为解决人脸关键点定位受到姿态、光线、表情以及遮盖问题的影响而使得定位效果可靠性不佳的问题，提出了一种基于并行卷积神经网络的人脸关键点定位方法。利用卷积神经网络对局部细节特征提取以及深度学习的特点，设计

提出了基于改进的深度学习全卷积神经网络的资源三号遥感影像云检测方法。将预训练后的深层卷积神经网络全连接层改为全卷积层,采用反卷积方法对特征图进行上采样,优化改进网络结构,并采用Adam梯度下降法加速收

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,

基于区域的全卷积网络(R-FCN)的区域生成网络(RPN)沿用了更快速区域卷积神经网络(Faster R-CNN)的RPN。针对RPN先验框的大小与数量均需人为固定,生成的建议区域过多等问题,将聚类思

卷积神经网络和递归神经网络(构建神经网络,进行数据处理,包括卷积神经网络和递归神经网络)

1 前言 本文以MNIST手写数字分类为例,讲解使用一维卷积和二维卷积实现 CNN 模型。关于 MNIST 数据集的说明,见使用TensorFlow实现MNIST数据集分类。实验中主要用到 Conv1