近年来，深度学习中的卷积神经网络已经广泛运用于图像识别领域，它不仅显著提升了识别准确率，同时在特征提取速度方面也优于许多传统方法。针对高速公路环境下的车型识别问题，引入卷积神经网络（CNNs）理论，设计相应特征提取算法，并结合SVM分类器构建识别系统。通过对高速公路上主要三种车型（小车、客车、货车）的分类实验显示，该方法在识别精度及速度上均取得了较显著的提高。

matlab实现bsc代码低密度聚乙烯 使用对数和积方法实现LDPC软解码算法的Matlab函数 该代码是通过研究Sarah Johnson的论文（或在参考资料/SJohnsonLDPCintro.pdf中）编写的，因此可以在此处找到我算法的所有数学解释。 用法 要使用该功能，唯一的参数是接收到的序列（我称其为input_frame）。 您可以放置​​位或正/负浮点数（取决于要建模的通道） 默认值 解码矩阵为：H = [1 1 0 1 0 0; 0 1 1 0 1 0; 1 0 0 0 1 1; 0 0 1 1 0 1]； 该通道是具有0.2交叉概率的BSC（二进制对称通道）。 在代码中，您可以将其更改为AWGN频道。 这些默认值允许测试Sarah Johnson论文的示例2.5和2.6。 参数化 H，解码矩阵，可以修改； 该代码将适应。 可以改变信道对先验LLR的影响。 为此，请参考功能a_priori_log_likehood和a_priori_log_likehood_AWGN之间的区别 其他变量也可以更改，例如最大迭代次数等。 例子 具有默认H矩阵命令的BS通道：ldpcdec

5.0版本 已经解决很多bug 能在我自己的电脑上运行

针对现有室内定位技术存在的问题，文中提出一种精度高、成本低且易用性高的室内定位系统。系统采集并处理监控摄像头中的视频信号，用计算机视觉算法从视频流中提取并追踪行人的位置信息，通过基于卷积神经网络的物体追踪算法处理遮挡状况。通过智能手机内嵌传感器采集的运动特征并与心中的行人特征对比，系统可以在视频画面内的诸多行人中准确识别出持有智能手机的定位服务发起者，并报告实时的定位信息，定位平均误差可达到三十厘米以下。

This repository contains the reference implementation for our proposed Convolutional CRFs in PyTorch (Tensorflow planned)

Cutout是一种简单的卷积神经网络正则化方法，包括在训练期间屏蔽输入图像的随机部分

matlab案例有代码 [] [] 介绍 盲反卷积是许多实际应用中的经典但具有挑战性的低级视觉问题。 传统的基于最大后验（MAP）的方法在很大程度上依赖于固定的和手工制作的先验，这肯定不足以表征清晰的图像和模糊内核，并且通常采用特殊设计的交替最小化来避免琐碎的解决方案。 相反，现有的深度运动去模糊网络从大量训练图像中学习到映射到干净图像或模糊内核，但是在处理各种复杂和大尺寸模糊内核方面受到限制。 基于深度图像先验（DIP）[1]的动机，我们在本文中提出了两个生成网络，分别用于对清洁图像和模糊核的深度先验进行建模，并提出了一种针对盲反卷积的无约束神经优化解决方案（SelfDeblur）。 实验结果表明，与基准数据集和真实世界的模糊图像上的最新盲去卷积方法相比，我们的SelfDeblur可以实现显着的量化增益，并且在视觉上似乎更合理。 先决条件 Python 3.6，PyTorch> = 0.4 要求：opencv-python，tqdm 平台：Ubuntu 16.04，TITAN V，cuda-10.0＆cuDNN v-7.5 用于计算的MATLAB 数据集 SelfLeblur在Lev

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：卷积神经网络CNN进行图像分类_CNN_图像分类_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：卷积神经网络CNN进行图像分类_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

robomaster大小符识别卷积神经网络训练模型