沟通是聋哑社区和社会其他成员之间的障碍。 手语用于在这些不会说话和听不懂的人之间进行交流。 在过去的几年中，手语识别的自动化已引起研究人员的关注。 已经开发了许多复杂且昂贵的硬件系统来辅助该目的。 但是，我们建议使用深度学习方法进行自动手语识别。 我们设计了一种基于ResNet50的新型2级深度神经网络体系结构来对拼写单词进行分类。 使用的数据集是标准的[1]的美国手语手势数据集。 首先使用各种扩充技术来扩充数据集。 在基于2级ResNet50的方法中，1级模型将输入图像分类为4组之一。 在将图像分类为一组图像之后，将其提供为相应的第二级模型的输入，以用于预测图像的实际类别。 我们的方法在12,048张测试图像上产生了99.03％的精度。

人脸识别 这个仓库是使用TensorFlow 2.0框架，并基于 论文上完成的，其中主要分为四大块：人脸检测、人脸矫正、提取特征和特征比对。各个模块的大小和在我的 17 款 macbook-pro 的 CPU 上跑耗时如下： 人脸检测：使用的是 mtcnn 网络，模型大小约 1.9MB，耗时约 30ms； 人脸矫正：OpenCV 的仿射变换，耗时约 0.83ms； 提取特征：使用 MobileFaceNet 和 IResNet 网络，耗时约30ms； 特征比对：使用曼哈顿距离，单次搜索和完成比对耗时约 0.011 ms； 注册人脸 注册人脸的方式有两种，分别是: 打开相机注册: $ python register_face.py -person Sam -camera 按 s 键保存图片，需要在不同距离和角度拍摄 10 张图片或者按 q 退出。 导入人脸图片: 保证文件的名字与注册人名相

MATLAB实现DNN神经网络多输入多输出预测（完整源码和数据） DNN深度神经网络/全连接神经网络，数据为多输入多输出预测数据，输入10个特征，输出3个变量,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。 运行环境MATLAB2018b及以上。

数据获取、模型训练、图片上传、图片识别．

深度神经网络3D可视化工具 Zetane，windows版本

针对6G时代将会是移动通信与人工智能紧密结合的时代，产生数量庞大的边缘智能信号处理节点的趋势，提出了一种可部署于资源受限的边缘设备上的高效智能电磁信号识别模型。首先，通过绘制电磁信号的星座图将电磁信号具象为二维图像，并根据归一化点密度对星座图上色以实现特征增强；然后，使用二值化深度神经网络对其进行识别，在保证识别准确率的同时明显降低了模型存储开销以及计算开销。采用电磁信号调制识别问题进行验证，实验选取常用的8种数字调制信号，选择加性高斯白噪声为信道环境。实验结果表明，所提方案可以在信噪比为-6～6 dB的噪声条件下获得96.1%的综合识别率，网络模型大小仅为166 KB，部署于树莓派4B的执行时间为290 ms，相比于同规模的全精度网络，准确率提升了0.6%，模型缩减到

Opencv使用Fast Neural Style实现图像风格迁移，Opencv代码实现，Python语言实现

基于深度神经网络的交通灯检测算法研究与实现，张逸凡，傅慧源，交通灯检测技术是自动驾驶系统的重要组成部分，但是传统方法的交通灯检测技术存在准确率低，算法速度慢等弊端。基于深度神经网络

最初的版本P_human、蒙特卡洛树搜索、P_human和蒙特卡洛树搜索结合、左右互搏，增强学习、价值网络、深度神经网络+蒙特卡洛搜索树+价值网络

主要为大家详细介绍了python构建深度神经网络DNN，具有一定的参考价值，感兴趣的小伙伴们可以参考一下