基于matlab深度学习工具箱来设计卷积神经网络用来对图像上的水体部分进行识别，并生成水体陆地二值化图像。采用的是9层卷积神经网络用来对图像进行特征提取和分类，水体识别的准确率可以达到96%以上。

具有自适应时间特征分辨率的3D CNN CVPR 2021论文的源代码： 。 即将推出！ 敬请关注！ @inproceedings{sgs2021, Author = {Mohsen Fayyaz, Emad Bahrami, Ali Diba, Mehdi Noroozi, Ehsan Adeli, Luc Van Gool, Juergen Gall}, Title = {{3D CNNs with Adaptive Temporal Feature Resolutions}}, Booktitle = {{The IEEE Conference on Computer Vision and Pattern Recognition (CVPR) }}, Year = {2021} }

matlab除噪声代码船只提取 基于CNN的系统，用于对血管进行分割，然后从眼底图像中去除血管，以使用在此清理过的眼底版本上方训练的分类器以及经过训练的分析器来分析血管图以识别与血管形状相关的临床特征的分类器，从而提供更好的诊断模型，像船只的曲折。 训练数据 训练数据是从和数据集中获得的。 对于STARE数据集，使用由Valentina Kouznetsova注释的目标血管图，因为它更加详细。 数据预处理和数据集生成 笔记本用于根据DRIVE和STARE数据集中的可用图像生成256 X 256色块的庞大数据集。 补丁是随机生成的。 对于健壮的训练，还会生成涉及图像翻转和噪声添加的补丁。 为了使用笔记本而不进行任何更改，请确保以下树结构用于存储DRIVE和STARE数据集： VesselExtract/ ├── DRIVE │   ├── test │   └── training ├── STARE │   ├── labels-vk │   └── stare-images ├── generate_patches.ipynb ├── README.md ├── research_m

在本文中，我们提出了一个动态调度来调整正则化强度，以适应各种网络架构和训练过程。我们的动态正则化是根据训练损失的变化自适应的。对于轻网络架构，它产生低正则化强度，而对于重网络架构，产生高正则化强度。此外，强度是自定步长增长的，以避免过拟合。实验结果表明，所提出的动态正则化方法优于现有的ShakeDrop、Shake-Shake和DropBlock正则化方法。未来，我们将研究动态正则化在数据增强和基于退出的方法中的潜力。

一个用tensorflow学习mnist手写数字库的学习算法示例

基于雷达数据构建的人工神经网络学习系统来雷达图像预测未来降水 步骤4

该项目是使用卷积神经网络进行检测森林火灾。 该数据集包含三类图像：“火”、“不火”、“开始火”，总共约 6000 张图像。 该模型可用于从森林的监控录像中检测火灾或火灾的开始或者未发生火灾。 该模型可以实时应用于低帧率监控视频（火灾移动速度不是很快的监控视频），并在发生火灾时发出警报。

课程导语：   人工智能可谓是现阶段最火的行业，在资本和技术协同支持下正在进入高速发展期。当今全球市值前五大公司都指向同一发展目标:人工智能。近几年，人工智能逐渐从理论科学落地到现实中，与生活越来越息息相关，相关的各种职位炙手可热，而深度学习更是人工智能无法绕开的重要一环。 从AlphaGo打败李世石开始，深度学习技术越来越引起社会各界的广泛关注。不只学术界，甚至在工业界也取得了重大突破和广泛应用。其中应用最广的研究领域就是图像处理和自然语言处理。而要入门深度学习，CNN和RNN作为最常用的两种神经网络是必学的。网上关于深度学习的资料很多，但大多知识点分散、内容不系统，或者以理论为主、代码实操少，造成学员学习成本高。本门课程将从最基础的神经元出发，对深度学习的基础知识进行全面讲解，帮助大家迅速成为人工智能领域的入门者，是进阶人工智能深层领域的基石。 讲师简介： 赵辛，人工智能算法科学家。2019年福布斯科技榜U30，深圳市海外高层次人才（孔雀人才）。澳大利亚新南威尔士大学全奖博士，SCI收录其发表过的10篇国际期刊学术文章。曾任深圳市微埃智能科技有限公司联合创始人。CSDN人工智能机器

基于GAN和多通道CNN的电力系统暂态稳定评估_时纯.pdf

植物病害分类 使用图像数据和神经网络对植物病害进行分类 该存储库包含用于训练几个深度卷积神经网络（CNN）的代码和相关分析，以识别14种作物物种和26种疾病。 使用在受控条件下收集并由PlantVillage项目提供的54306张患病和健康植物叶片图像的公共数据集对模型进行了训练。 评估了三种不同的方法来提高Mohanty等人报告的基线准确性。 在研究论文“将深度学习用于基于图像的植物病害检测”中，其中CNN模型也用于使用相同的数据集对植物病害进行分类。 研究的三种方法是“转移学习”，“单图像超分辨率”和“层次结构超类学习”，所有这些方法都集中于此数据集或图像分类问题所特有的特定组件。 项目组织 ├── LICENSE ├── Makefile <- Makefile with commands like `make data` or `make train` ├─