基于CNN预测的可逆数据隐藏 作者： 胡润文和项世军 暨南大学信息科学与技术学院/网络安全学院，广州 描述： 该版本只能通过使用建议的基于CNN的具有扩展嵌入和直方图偏移的预测器（CNNP）来计算图像的PSNR。 工作环境是Windows 10，Python 3.7，PyTorch 1.6.0和MATLAB 2019a。 这项工作基于以下论文： R. Hu和S. Xiang，“基于CNN预测的可逆数据隐藏”，在IEEE信号处理快报中，第1卷。 28，pp.464-468，2021，doi：10.1109 / LSP.2021.3059202。 资料夹说明： “ standard_test_images”：此文件夹包含本文中使用的四个标准图像。 其他图像来自ImageNet。 “模型”：此文件夹包含建议的基于CNN的预测变量。 “ model_parameter”：此文件夹包含建议的

这是一个基于tensorflow的简单的卷及神经网络，使用MNIST数据集进行手写数字识别。网络为FCN，即全卷积神经网络，总共有四层。前两层same padding，最大池化，后两层进行1x1的卷积。使用softmax输出结果，误差为交叉熵。最终在测试集上准确率在99%左右

一维CNN+LSTM结构.py

神经网络；CNN；R-CNN

手工打造的深度神经网络，包含3个卷基层，包含训练和测试的所有程序，带训练好的model，值不值这分，代码说了算。

中国是传统的农业大国, 农业不仅是国民经济建设与发展的基础, 也是社会正常稳定有序运行的保障. 然而每年由于农作物病虫害造成的损失巨大, 且传统的农作物病虫害识别方法效果并不理想. 同时近年深度学习飞速发展, 在图像分类与识别的方面取得了巨大进展. 因此本文通过基于深度学习的方法构建农作物病虫害图像识别模型, 并针对样本不平衡问题改进卷积网络损失函数. 实验证明该模型可以对农作物病虫害进行有效识别并且对损失函数进行优化后模型的准确率也进一步得到了提升.

一篇slam相关论文，结合了深度学习。用CNN单帧预测深度，可以解决单目slam中尺度不确定性、纯旋转、低纹理区域等问题。

通过深度学习增强的视网膜光学相干断层扫描图像论文，pdf格式

深度卷积神经网络CNN的Theano实现（lenet），还包括一个单独的卷积层网络

CNN用于脑室分割 这是在Neurostart hacka上使用CNN分割CT数据的结果。 这是用于脑室分割的全卷积人工神经网络的示例。 这是“个人3D脑图集”项目的第一步。 在Burdenko研究所的帮助下，基于FEFU（远东联邦大学）开发地图集。 感谢您提供数据，并向Dmitry Samborsky，Arthur Biktimirov和“ CPD C 305”实验室的工作人员提供建议。