行人检测一直是目标检测研究与应用中的热点。目前行人检测主要通过设计有效的特征提取方法建立对行人特征的描述，然后利用分类器实现二分类。卷积神经网络作为深度学习的重要组成，在图像、语音等领域得到了成功应用。针对人工设计的特征提取方法难以有效表达复杂环境下行人特征的问题，提出采用多层网络构建深度卷积神经网络实现对行人检测的方法。系统分析了卷积神经网络层数、卷积核大小、特征维数等对识别效果的影响，优化了网络参数。实验结果表明该方法对于行人检测具有很高的识别率，优于传统方法。

利用深度卷积神经网络对图像进行分类 1_Alex_《ImageNet Classification with Deep Convolutional Neural Networks》2012

【技术报告】深度卷积神经网络的计算机视觉分类法 TECHNOLOGY REPORT A Taxonomy of Deep Convolutional Neural Nets for Computer Vision Suraj Srinivas

分子识别特征（MoRF）是内在无序蛋白（IDP）的关键功能区域，它们在细胞的分子相互作用网络中起重要作用，并与许多严重的人类疾病有关。 鉴定MoRF对于IDP的功能研究和药物设计都是必不可少的。 本研究采用人工智能的前沿机器学习方法，为改进MoRFs预测开发了强大的模型。 我们提出了一种名为en DCNNMoRF（基于集成深度卷积神经网络的MoRF预测器）的方法。 它结合了利用不同特征的两个独立的深度卷积神经网络（DCNN）分类器的结果。 首先，DCNNMoRF1使用位置特定评分矩阵（PSSM）和22种氨基酸相关因子来描述蛋白质序列。 第二种是DCNNMoRF2，它使用PSSM和13种氨基酸索引来描述蛋白质序列。 对于两个单一分类器，都采用了具有新颖的二维注意机制的DCNN，并添加了平均策略以进一步处理每个DCNN模型的输出概率。 最后，en DCNNMoRF通过对两个模型的最终得分进行平均来组合这两个模型。 当与应用于相同数据集的其他知名工具进行比较时，新提出的方法的准确性可与最新方法相媲美。 可以通过http://vivace.bi.a.utokyo.ac.jp:8008/fang

基于改进Fisher准则的深度卷积神经网络识别算法

用DnCNN网络进行图像去噪。网络中主要使用了批量归一化和ReLU

在我阅读可能不断更改的课题方向的各种论文中，看了这篇论文Transferring Deep Convolutional Neural Networks for the Scene Classification of High-Resolution Remote Sensing Imagery.pdf ，各类算法比较的好多，认真看了这篇文章，并附上了自己的注释和标记，刚刚接触，理解不深，可能有错误之处，欢迎在评论区批评指正！

结合高光谱数据和深度学习的特点，提出一种同时考虑像素光谱信息和空间信息的深度卷积神经网络框架。 该框架主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征维数，获得清晰的空间结构；然后利用深度卷积神经网络对输入的样本进行空间特征提取；最后通过学 习到的高级特征进行 回归训练