深度学习(Deep Learning )是近年来提出的一种利用具有多个隐层的深度 神经网络(Deep Neural Network,DNN)完成学习任务的机器学习方法。其实质 是,通过构建具有多个隐层的神经网络模型并使用大量的训练数据来学习得到 更有用的特征,进而提升模型预测或分类的准确性。与以往的浅层神经网络的 不同之处在于,深度学习主要强调了神经网络的深度(通常有大于1层的隐层), 还突出了特征学习的重要性,从大数据中学习特征,这些特性可以刻画数据丰 富的内在信息。

自An overview of semantic image segmentation，原作者保留版权。

基于深度学习的目标检测研究进展，主要对场景中的特定目标进行检测

乳腺癌病理图像的自动分类具有重要的临床应用价值。基于人工提取特征的分类算法，存在需要专业领域 知 识 、耗 时 费 力 、提 取 高 质 量 特 征 困 难 等 问 题 。 为 此 ，采 用 一 种 改 进 的 深 度 卷 积 神 经 网 络 模 型 ，实 现 了 乳 腺 癌 病 理 图 像的自动分类;同时，利用数据增强和迁移学习方法，有效避免了深度学习模型受样本量限制时易出现的过拟合问 题。实验结果表明，该方法的识别率可达到 91%，且具有较好的鲁棒性和泛化性

学习笔记之——基于深度学习的图像超分辨率这篇博文的paper集合，都是从网上download下来的原文，虽然博文中也给出了链接，为方便读者阅读，将paper原文打包在此

基于深度学习网络的手写体识别matlab代码-Hinton，用来入门基于深度学习的手写体识别是很好的，代码直接可用，比较经典看不懂的网上有很多对其的分析注释

重点研究了深度学习的特征提取，以及深度学习中三个重要的网络模型，分别是可以实现无监督特征学习的深度信念网络 （Deep Belief Network，DBN），图像识别任务中被广泛使用的卷积神经（Convolutional Neural Network，CNN），以及可以实现序列数据学习的循环神 经网络（Recurrent Neural Network，RNN），对它们的网络结构和训练方法展开 深入的研究。

本工具为复旦大学计算机学院机器人研究实验室开发的基于深度学习的中文自然语言处理工具FudanDNN-NLP2.0，该工具可用于中文分词、自定义词汇、文本规范化、命名识别、词性标注、语义分析，用户可以根据需要重新训练或者精调模型。深度学习方法的优点在于不需要预先根据任务进行特征选择（特征工程），系统所需参数较少（节省内存开销），并且解码速度（实际使用）远远快于其它相似性能的系统。

针对城市道路交通拥堵预警问题，提出了一种基于深度学习的预测模型 。 通过归纳合并交通流参数 、 环境状态 、 时段等基础数据来构建交通流特征向量并确定四种预测状态 。 采用深度学习的自编码网络方法从无 标签数据集中学习获取可表征数据深层特征的隐层参数并生成新特征集 。 应用 Softmax 回归对有标签的新特征 集进行学习生成预测分类器，模型可对交通拥堵状况进行多态预测 。 通过仿真对比分析，预测模型具有较省略 特征学习的预测算法更好的预测性能，平均预测精度可达 85% 。

android端，基于openCV与深度学习，实现快速准确的车牌识别。平均识别耗时350ms左右，采集100样本识别准确率达到95%。识别过程：1、使用openCV确定车牌左右、上下区域；2、车牌倾斜判断与校正；3、滑动切割字符；4、深度学习对每个字符进行识别