智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

颜色分类leetcode 眼网 用深度学习检测糖尿病视网膜病变 客观的 糖尿病视网膜病变是发达国家工作年龄人口失明的主要原因。 据估计，这种情况会影响超过 9300 万人。 人们早就认识到需要一种全面和自动化的糖尿病视网膜病变筛查方法，并且之前的努力在使用图像分类、模式识别和机器学习方面取得了良好进展。 以眼睛的照片作为输入，这个顶点的目标是创建一个新模型，理想地产生现实的临床潜力。 这个项目的动机有两个： 除了对大规模数据集进行分类之外，图像分类多年来一直是个人兴趣。 在患者进行眼睛扫描（如下所示）、让医生分析他们的图像以及安排后续预约之间，时间会浪费掉。 通过实时处理图像，EyeNet 将允许人们在同一天寻求和安排治疗。 目录 数据 数据来源于 . 然而，是一个非典型的 Kaggle 数据集。 在大多数 Kaggle 比赛中，数据已经被清理干净，数据科学家几乎不需要预处理。 有了这个数据集，情况就不是这样了。 所有图像都是由不同的人、使用不同的相机和不同的尺寸拍摄的。 与该部分有关，此数据非常嘈杂，需要多个预处理步骤才能将所有图像转换为可用的格式来训练模型。 训练数据由 35,12

1维CNN demo, 可在本地运行, 初学代码, 写的不是很规范，

人工智能 卷积神经网络讲义ppt 课程讲义 有神经网络的来源 以及演变 介绍

自动生成图片描述是自然语言处理和计算机视觉的热点研究话题，要求计算机理解图像语义信息并用人类自然语言的形式进行文字表述.针对当前生成中文图像描述整体质量不高的问题，提出首先利用FastText生成词向量，利用卷积神经网络提取图像全局特征；然后将成对的语句和图像〈S，I〉进行编码，并融合为两者的多模态特征矩阵；最后模型采用多层的长短时记忆网络对多模态特征矩阵进行解码，并通过计算余弦相似度得到解码的结果.通过对比发现所提模型在双语评估研究（BLEU）指标上优于其他模型，生成的中文描述可以准确概括图像的语义信息.

wwu-ki_brainage 使用卷积神经网络（CNN）进行大脑年龄预测的教程 培训和评估是使用fastai_scans（ ）完成的，fastai是与3d医学图像配合使用的fastai扩展。 安装 1.）创建一个新的conda环境，安装Python 3.6并激活它 conda create -n wwuki_brainage python=3.6; conda activate wwuki_brainage 2.）在环境中安装pip conda install pip 3.）使用pip在该conda环境中安装软件包（将USER替换为您的用户名，将CONDA_DIR替换为.conda替换为Anaconda，将miniconda替换为miniconda）。 /home/USER/CONDA_DIR/envs/wwuki_brainage/bin/pip install git+git

labview 信道编解码（重复码与卷积码)

这个提交是一个卷积计算器。 它使用用户定义的函数进行卷积，还包括重叠区域的简单动画。

matlab图像分割肿瘤代码该软件包含对工具箱MatConvNet（）的修改。 MatConvNet是在Matlab上实现CNN的工具箱。 该代码实现了我们用于自动黑色素瘤诊断的解决方案，该解决方案最初已提交给ISIC 2017黑色素瘤诊断挑战（），然后针对本文进行了改进： I. Gonzalez Diaz，“ DermaKNet：将皮肤科医生的知识整合到卷积神经网络中，以诊断皮肤病变”，在IEEE生物医学和健康信息学杂志上，第1卷。 PP，不。 99，第1-1页。 doi：10.1109 / JBHI.2018.2806962 我们已经参加了第3部分：病变分类。 在此任务中，要求参与者完成两项独立的二进制图像分类任务，这些任务涉及皮肤病变（黑色素瘤，痣和脂溢性角化病）的三种独特诊断。 在第一个二进制分类任务中，要求参与者区分（a）黑色素瘤和（b）痣与脂溢性角化病。 在第二个二进制分类任务中，要求参与者区分（a）脂溢性角化病和（b）痣和黑色素瘤。 定义： Melanoma – malignant skin tumor, derived from melanocytes (melanoc

利用卷积递归神经网络对三维重叠源进行声事件定位和检测