基于三维卷积神经网络模型的肺癌CT图像识别.caj

基于三维卷积神经网络模型的肺癌CT图像识别；基于三维卷积神经网络模型的肺癌CT图像识别；基于三维卷积神经网络模型的肺癌CT图像识别；基于三维卷积神经网络模型的肺癌CT图像识别；基于三维卷积神经网络模型的肺癌CT图像识别

基于深度卷积神经网络的高光谱遥感图像分类.pdf

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

论文研究-基于随机森林的高光谱遥感图像分类.pdf

为了充分利用高光谱图像的光谱信息和空间结构信息，提出了一种新的基于随机森林的高光谱遥感图像分类方法，首先，利用主成分分析降低数据的维数，并对主成分进行独立成分分析提取其光谱特征，同时消除像元的空间相关性，再采用形态学分析提取像元的空间结构特征，然后，根据像元的谱域和空域特征分别构造随机森林，并引入空间连续性对像元点的预测结果进行约束修正，最后由投票机制决定最后的分类结果。在AVIRIS和ROSIS高光谱图像上的实验结果表明，所提方法的分类性能要优于传统的高光谱图像分类方法，且分类精度高于基于单一特征的方法。

论文研究-基于加权K近邻和卷积神经网络的高光谱图像分类.pdf

传统的谱空联合分类算法通常定义一个邻域空间作为空间信息，忽略空间中非邻域空间信息，且容易将异类像元也考虑在内。针对高光谱图像分类问题，提出了一种加权K近邻算法能够自适应地提取空间信息。首先定义光谱和空间坐标组成的特征空间，利用该特征空间寻找目标像元的K个相似像元，并对这些像元根据特征空间进行加权；将加权后的像元按照一定方式组合成三维张量表示最终的谱空联合信息，使用三维卷积神经网络对其进行训练，得到最终分类结果。从实验结果来看，相对于改进前的算法，在总体分类精度上得到了一定的提升，与原始的三维卷积神经网络相比，在收敛速度上也得到大大提升，为高光谱图像的谱空联合分类提供了一种更加实用的方法。

基于最佳波段组合的高光谱遥感影像分类

针对高光谱数据维数高、数据量大、信息冗余多、波段相关性强等特点，在综合各种数据降维方法的基础 上，提出一种基于最佳波段组合的高光谱遥感影像分类方法。以美国印第安纳州地区的 AVIＲIS 数据为例，分析 各波段信息量和相邻波段的相关性，利用子空间划分、分段波段指数选择法，进行特征波段的选择; 并针对难区 分地物类别，应用 J － M 距离模型对其可分性进行判别，获得最佳波段组合。最后采用支持向量机分类器进行分 类。实验结果表明，采用最佳波段组合方法，可以有效地提高高光谱的分类精度。

卷积神经网络回归模型

使用卷积神经网络预测波士顿房价，采用一维卷积的模式。

基于卷积神经网络的视频分类检索

随着深度学习在图像识别领域的巨大成功，深度学习被应用到越来越多的领 域，包括视频处理领域，文本处理领域以及音频处理领域。卷积神经网络是深度学习中非常重要的一类网络模型，它和传统神经网络的区别在于引入了卷积层、池化层。卷积神经网络在图像识别领域取得成功之后，研究人员开始逐步将其应用于视频分类任务中，并取得了分类效果上的提高，这充分说明了卷积神经网络在视频分类任务中起到的重要作用。 本文的研究内容在于实现一个通用且有效的分类检索模型。在图像研究领域 有研究人员提出在卷积神经网络中引入哈希层来得到图像对应的O一1向量哈希 码，使用这个哈希码来进行相似图片的查找，取得了不错的效果。本文的一个创 新点在于将这种思路引入到了视频处理领域，验证了哈希层在这个应用场景中的有效性，继而提出通用且效果更好的分类检索模型；另外一个创新点在于采用了更为高效的检索算法来提高模型的可用性。

python卷积神经网络实现

卷积神经网络python实现。 卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积或相关计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 [1-2] 。由于卷积神经网络能够进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial

卷积神经网络入门到精通微篇

卷积神经网络，是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络包括卷积层和池化层。 卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络。一维卷积神经网络常应用于序列类的数据处理；二维卷积神经网络常应用于图像类文本的识别；三维卷积神经网络主要应用于医学图像以及视频类数据识别。

基于多尺度三维卷积神经网络的头颈部危及器官分割方法.pdf

基于多尺度三维卷积神经网络的头颈部危及器官分割方法.pdf

【期刊】基于径向基函数神经网络的高光谱遥感图像分类

从径向基函数神经网络的理论出发, 针对高光谱数据的特点, 设计了有效的特征提取模型, 再与径向基函数神经网络的输入层连接, 建立了一个新的径向基函数神经网络的高光谱遥感影像分类模型, 并用国产OMISII 传感器获得的64 波段数据进行试验。首先进行了最小噪声分离变换, 提取了1～20 个分量的数据, 使用提取后的数据(20 维) 、提取后数据的纹理变换(20 维) 和主成分分析的前(20 维) , 组成了60 维向量数据进行分类处理, 这种分类器结构简单、容易训练、收敛速度快, 其分类精度达到69127 % , 高于BP 神经网络分类算法(51120 %) 以及常用的最小距离分类(MDC) 算法(40188 %) 。通过对结果和过程进行分析,实验证明径向基函数神经网络在高光谱遥感分类中具有较好的适用性。

基于三维卷积神经网络的虫音特征识别方法研究_万永菁.docx

我国进口原木的数量逐年上升，其携带的有害生物造成的疫情也不断加重。其中小蠹科、长小蠹科、天牛科、吉丁虫科、长蠹科等钻蛀性昆虫为进口原木中的主要害虫。进口原木中的这些害虫对我国的生态环境、林业生产和公众生活构成极大的威胁。在口岸检疫时，通常采用破坏性的检查方法对原木进行目视和剖检，其检出效率不高， 费工费时。

C#卷积神经网络代码

用c#实现卷积神经网络，可以训练识别图片，代码按照卷积神经网络算法思路撰写，准确率

卷积神经网络轴承数故障分类

利用卷积神经网络对轴承故障数据进行分类，通过构造简单的卷积神经网络，达到良好的识别分类效果

基于Python的卷积神经网络的分类

基于Python的卷积神经网络的图像分类，很适合初学者的学习使用

利用tensorflow实现的卷积神经网络来进行MNIST手写数字图像的分类.py

利用tensorflow实现的卷积神经网络来进行MNIST手写数字图像的分类。 #导入numpy模块 import numpy as np #导入tensorflow模块，程序使用tensorflow来实现卷积神经网络 import tensorflow as tf #下载mnist数据集，并从mnist_data目录中读取数据 from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets('mnist_data',one_hot=True) #（1）这里的“mnist_data” 是和当前文件相同目录下的一个文件夹。自己先手工建立这个文件夹，然后从https://yann.lecun.com/exdb/mnist/ 下载所需的4个文件（即该网址中第三段“Four files are available on this site:”后面的四个文件），并放到目录MNIST_data下即可。 #（2）MNIST数据集是手写数字字符的数据集。每个样本都是一张28*28像素的灰度手写数字图片。 #（3）one_hot表示独热编码，其值被设为true。在分类问题的数据集标注时，如何不采用独热编码的方式， 类别通常就是一个符号而已，比如说是9。但如果采用独热编码的方式，则每个类表示为一个列表list，共计有10个数值，但只有一个为1，其余均为0。例如，“9”的独热编码可以为[00000 00001]. #定义输入数据x和输出y的形状。函数tf.placeholder的目的是定义输入，可以理解为采用占位符进行占位。 #None这个位置的参数在这里被用于表示样本的个数，而由于样本个数此时具体是多少还无法确定，所以这设为None。而每个输入样本的特征数目是确定的，即为28*28。 input_x = tf.placeholder(tf.float32,[None,28*28])/255 #因为每个像素的取值范围是 0～255 output_y = tf.placeholder(tf.int32,[None,10]) #10表示10个类别 #输入层的输入数据input_x被reshape成四维数据，其中第一维的数据代表了图片数量 input_x_images = tf.reshape(input_x,[-1,28,28,1]) test_x = mnist.test.images[:3000] #读取测试集图片的特征，读取3000个图片 test_y = mnist.test.labels[:3000] #读取测试集图片的标签。就是这3000个图片所对应的标签

卷积神经网络结构原理详细介绍

详细介绍卷积神经网络的结构原理，并且根据一个详细的例子来说明CNN网络如何应用

CNN卷积神经网络Matlab实现例程，使用了matlabR2019a自带的深度学习工具箱,一维数据分类，二维cnn

CNN卷积神经网络Matlab实现例程，使用了matlabR2019a自带的深度学习工具箱,一维数据分类，二维cnn

Python-利用TensorFlow实现的深度卷积神经网络项目

利用TensorFlow实现的深度卷积神经网络项目