cnn

20-卷积神经网络基础：用 Paddle 构建 CNN图像是二维空间结构数据。一个像素和周围像素之间有强关系。如果把 [3, 224, 224] 的图片直接拉平成一个长向量，再接 MLP，会丢掉很多空间结构信息，也会产生大量参数。

基于CNN-BiLSTM-Attention的箱梁离散点温度预测关键词：Matlab；温度预测；CNN-BiLSTM-Attention；气象特征；模型评估近几年来，随着大数据时代的来临和机器学习技术的不断普及，国内外学者开始借助于神经网络对温度场进行有针对性的时间序列预测，如RNN循环神经网络模型和LSTM长短时记忆网络模型等。如何更准确、更有效地对温度场进行时序预测和状态评估成为当下混凝土箱梁温度场研究炙手可热的话题。

青春不败 177-3266-0520

CNN-Transformer：PyTorch遥感【含无人机】影像的分类、检测、语义分割和点云分类随着小卫星星座的普及，对地观测已具备多次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估。

华清远见成都中心

卷积神经网络（CNN）为什么能够识别图像？一、引言当我们用手机拍照时，瞬间就能识别出画面中的猫、狗、风景或人脸。对人类来说轻而易举的视觉识别，对计算机却曾是巨大挑战——一张224×224的彩色图像包含超过15万个像素值，如何从这些数字中"理解"图像内容？卷积神经网络（Convolutional Neural Network, CNN）的出现彻底改变了这一局面，它让机器真正"看懂"了图像。那么，CNN究竟凭什么能识别图像？

DAY 41 从 MLP 到 CNN 的进化之路今天的内容围绕“为什么需要 CNN”以及“如何搭建一个更强大的 CNN 分类器”展开，主要包含以下几个递进层次：

算法论文/模型微调1——CNN架构做lora微调训练论文链接：https://arxiv.org/abs/2403.00269 作者：Wei Chen, Zichen Miao, Qiang Qiu（普渡大学）发表时间：2024年3月1日（v1）领域：计算机视觉 / 机器学习（cs.CV, cs.LG）

人工智能与机器人研究|面向无标签数据的三维场景语义理解方法研究在汉斯出版社《人工智能与机器人研究》期刊上，有文章提出一种面向对象的三维场景语义理解框架，旨在从无标签数据中学习以对象为中心的连续场景表达。

妍妍爱学习

Wan2.1 VAE进阶：利用卷积神经网络优化图像编码器性能高级版的万二点一变分自编码器进阶, 使用卷积神经网络来提升图像编码器性能。近期在对图像生成模型不断进行尝试时, 我察觉到了一个颇具趣味的优化路径。众多朋友于使用诸如Wan2.1这类模型之际, 或许会更在意解码器生成图片所呈现出的效果, 然而实际上编码器部分, 也就是那个将图片压缩成为潜在向量的所谓“压缩器”, 对于最终生成时的质量产生的影响也是颇为显著的。原版的编码器结构在面对处理复杂纹理或者高分辨率细节之时, 有时会显现出有那么点力不从心的状况。

小白说大模型

人工智能：深度学习中的卷积神经网络（CNN）实战应用卷积神经网络（Convolutional Neural Network，CNN）是深度学习在计算机视觉领域的基石。从 1998 年 LeNet 在手写数字识别上的突破，到 2012 年 AlexNet 在 ImageNet 上的惊艳表现，CNN 的发展彻底改变了计算机视觉的研究范式。如今，无论是人脸识别、自动驾驶、医疗影像分析，还是短视频推荐中的内容理解，CNN 都扮演着核心角色。

OpenCV C++基于CNN模型的场景文本检测(OCR)这个程序使用OpenCV text模块检测场景中的文本。输入图片：程序运行后会显示用红色矩形框标注文本的图片：

西柚研究生123456

创建自己的数据集（GoogLeNet）这也是训练自己数据集必须要做到的事。自动创建目录结构在data/下创建train/和test/两个主目录

路面类型识别 — CNN-LSTM 完整流程：基于车辆振动数据的端到端深度学习本项目基于六分力传感器采集的车辆振动数据（x/y/z 三轴加速度），使用 CNN-LSTM 深度学习框架实现路面类型识别，能够准确区分沥青路面和湿滑路面。

没有梦想的咸鱼185-1037-1663

AI-Python机器学习与深度学习技术：CNN/Transformer/扩散模型、SHAP可解释及Hermes智能体自动化当前，科学研究正经历由人工智能驱动的深刻范式变革。随着观测技术精密化、数值模拟复杂化与计算基础设施规模化，高校与科研院所的研究者普遍面临三重挑战：海量异构数据的清洗分析耗时费力，传统方式难以应对数据指数级增长；深度学习、Transformer等前沿AI模型架构复杂、调参门槛高，对非计算机背景研究者形成障碍；从科研灵感到论文产出涉及文献综述、实验设计、数据分析、图表制作等多个环节，转化链条漫长。在此背景下，本课程旨在为一线研究者提供从Python编程到PyTorch深度学习、从经典机器学习到Transfor

基于CNN卷积神经网络交通标志识别系统（GUI界面数字图像处理）【源码48期】本系统基于MATLAB深度学习工具箱，设计并实现了一个基于卷积神经网络（CNN）的图像分类识别系统。系统包含两大核心模块：模型训练模块（main.m）自动加载按文件夹分类的图像数据集，按8:2比例划分为训练集与测试集，构建包含多层卷积、批归一化、ReLU激活及池化操作的CNN网络，输入层采用112×112×3的彩色图像，输出层为6分类，利用SGDM优化器训练25个周期后保存模型参数；图形用户界面模块（page.m与page.fig）基于GUIDE框架开发，用户可通过界面按钮选取BMP格式图像，系统自动显示

项目文档：基于MATLAB深度卷积神经网络的肺癌CT影像智能检测系统设计与实现摘要：肺癌是全球范围内发病率与死亡率均居前列的恶性肿瘤，早期发现与准确诊断对于提高患者生存率具有决定性意义。计算机断层扫描是肺癌筛查的主要影像学手段，但单次检查产生的切片数量庞大，医师人工阅片强度高、耗时长，且判读结果易受主观经验影响。针对上述问题，本文基于MATLAB平台设计并实现了一套采用深度卷积神经网络的肺癌CT影像智能辅助检测系统。

【终审稿】CNN-RNN 通用分类算法及 MATLAB 实现假设一个人把手机固定在腰间，然后走路、上楼、下楼、坐下、站立或者躺下。手机里的加速度计和陀螺仪会不断记录身体运动。现在给你其中一小段传感器数据，让程序判断这个人在做什么，你会从哪里下手？

【深度学习】卷积神经网络数据增强、保存最优模型实现，详细解读数据增强（Data Augmentation）是指在不改变原始数据语义的前提下，通过一系列随机变换和组合操作，对已有训练样本进行扩展，生成大量“新”样本的过程。其本质是人为增加训练集的规模和多样性，从而使深度学习模型在面对实际场景中的各种变化（如光照、角度、遮挡）时具备更强的适应能力和稳定性。

CNN图像分类入门：基于TensorFlow+Keras的CIFAR-10数据集全流程实战CIFAR-10是深度学习图像分类领域最经典的数据集之一，由Alex Krizhevsky、Vinod Nair和Geoffrey Hinton于2009年收集整理。它包含60000张32×32彩色图像，分为10个类别，每个类别6000张，是计算机视觉入门和模型验证的"金标准"。

基于CNN卷积神经网络叶片虫害程度识别系统（GUI界面）【源码45期】本系统是一个基于卷积神经网络（CNN）的树叶病虫害识别系统，能够对树叶图像进行病虫害程度分类，将叶片状态划分为轻度灾害、中度灾害、重度灾害和健康四种类别。系统通过MATLAB GUI提供直观的可视化操作界面，用户可选取单张树叶图像进行识别，也可批量评估测试集整体识别准确率。

CNN猫狗图像分类实战：基于Keras+TensorFlow的卷积神经网络全流程解析图像分类是计算机视觉领域最基础也是最核心的任务之一。猫狗图像分类（Cats vs Dogs Classification）作为图像分类的"Hello World"级项目，虽然看似简单，却涵盖了深度学习图像分类的完整技术栈，是入门卷积神经网络（CNN）的最佳实践案例。