登录社区云，与社区用户共同成长
邀请您加入社区
本文介绍了一个基于深度学习的图像识别系统，采用PyTorch框架实现ResNet50、ResNet34和VGG16模型，支持JPG/PNG/JPEG格式图像分类。系统包含多模型切换、识别结果可视化、历史数据管理等功能，后端使用Python+Django+SQLite，前端采用Vue3+ElementUI。通过OpenCV和Torchvision实现图像预处理，提供完整的项目文档、界面展示和模型评估
摘要：本文介绍了一个基于MATLAB的CNN-BiLSTM多变量时间序列分类项目。项目采用卷积神经网络提取局部时序特征，结合双向LSTM捕捉长期依赖关系，构建端到端分类模型。针对多变量数据预处理、网络架构设计、训练稳定性等挑战，提出了系统解决方案。项目包含数据模拟生成、滑动窗口构造、网络定义（卷积层、BiLSTM层、分类层）、训练配置和评估可视化等完整流程。通过混淆矩阵和特征曲线分析模型性能，实现
摘要：本文系统讲解了现代卷积神经网络(CNN)的演进历程与技术要点。首先分析AlexNet、VGG、GoogLeNet和ResNet四大经典模型的设计原理与创新点，重点解读残差连接和批量规范化(BatchNorm)的核心作用。随后基于PyTorch框架，详细演示了CIFAR-10图像分类实战，涵盖数据预处理、改进版ResNet-18模型搭建、训练调优和结果可视化全流程。
2026年，AI应用领域的高薪offer，从来不是“懂算法者得之”，而是“能落地者得之”[3]。与面试官博弈的核心，不是比拼谁懂的技术更多，而是比拼谁更能适配岗位需求，谁更能将技术转化为实际价值。
VMD-CNN-LSTM模型是一种结合了变分模态分解(VMD)、卷积神经网络(CNN)和长短时记忆网络(LSTM)的混合预测模型。数据预处理：收集历史电力负荷数据，并进行必要的清洗和规范化处理，以消除异常值和噪声。VMD分解：利用VMD技术对预处理后的负荷数据进行分解，将其分解为多个固有模式函数(IMF)。每个IMF分量代表原始信号中不同频率的成分，有助于分离噪声和信号，并揭示隐藏在复杂负荷数据中
本文介绍了一个基于深度学习的图像识别系统，采用PyTorch框架实现了ResNet34、ResNet50和VGG16三种模型。系统具备多场景图像识别能力，支持静态图像分类、多模型切换和结果可视化，并通过SQLite数据库管理历史记录。技术栈包括：算法层使用PyTorch实现模型训练与推理，后端采用Django框架处理请求和数据库操作，前端使用Vue3构建交互界面。系统提供完整的文档资料，包括使用说
本文分享了在微信小程序中部署轻量级AI模型的实战经验。针对小程序4MB包体限制，通过模型架构选型（MobileNetV3）、轻量化改造（深度可分离卷积+GAP替换全连接）和INT8量化压缩三管齐下，将污渍识别模型从原始12MB压缩至2.9MB。最终方案在保持88%准确率的同时实现85ms端侧推理速度，并详细介绍了模型设计、量化转换和小程序集成的关键技术点，包括校准数据集构建、内存优化等实际问题的解
本文介绍了一个基于卷积神经网络的五谷识别系统，使用PyTorch框架实现，包含ResNet50、VGG16和ResNet34三种模型。系统采用Python+PySide6开发GUI界面，或Python+Flask+Vue开发Web前端界面。项目支持在PyCharm/Anaconda或VSCode/Anaconda虚拟环境中运行，提供了完整的训练和测试流程，可输出准确率曲线、损失曲线、混淆矩阵、热力
本文介绍了一个基于深度学习的多场景图像识别系统。系统采用PyTorch框架，整合ResNet34、ResNet50和VGG16三种经典卷积神经网络模型，支持静态图像分类识别。技术架构包含：算法层使用PyTorch实现模型训练与推理；后端采用Django框架处理业务逻辑；前端使用Vue3构建交互界面；数据存储使用轻量级SQLite数据库。系统具备图像预处理、多模型切换、识别结果可视化、历史记录管理等
摘要：该项目实现了一个基于卷积神经网络的天气识别系统，采用PyTorch框架开发，提供ResNet50、VGG16和ResNet34三种可选模型。系统包含GUI（PySide6）和Web（Flask+Vue）两种交互界面，支持模型训练、测试及可视化分析功能。项目完整包含代码、数据集、预训练模型及各类评估指标（准确率曲线、混淆矩阵、热力图等），可快速部署运行。开发环境支持PyCharm/Anacon
3D Faster R-CNN 用 3D ResNet 提取体数据特征、3D RPN 生成锚点框（3D 卷积分类 + 回归）、Detection Head 做精细分类与定位。MONAI 负责 NIfTI 加载与标准化，关键超参数是锚点尺寸（覆盖 2-16 体素）和 RoI Align 的采样分辨率（7×7×7）。建议先用单例验证前向是否通，再用小数据集 (50 例) 调参数，确认 mAP 能收敛后
摘要：本文提出了一种基于连续小波变换（CWT）结合卷积门控循环单元（CNN-GRU）的智能故障诊断方法。该方法首先通过CWT将振动信号转换为时频图，利用CNN提取空间特征，再通过GRU建模时序依赖关系，实现端到端的故障分类。项目针对工业设备故障诊断中的非平稳信号、噪声干扰等挑战，在MATLAB环境下实现了完整的数据预处理、模型构建和性能评估流程。实验结果表明，该方法能有效提升故障识别准确率和早期诊
本文介绍了一个基于MATLAB实现的TCN-LSTM混合神经网络模型，用于多变量单步时序预测。该模型结合了时间卷积网络（TCN）的多尺度特征提取能力和长短期记忆网络（LSTM）的时序建模优势，可有效处理工业、能源等领域中的高维时序数据。文章详细阐述了项目背景、模型架构（包括数据预处理、TCN模块、LSTM模块和回归输出层）以及MATLAB实现方案，并提供了代码示例。该混合模型能同时捕捉时间维度的长
本文介绍了一个基于PyTorch框架的农作物病虫害识别系统，采用ResNet50、VGG16和ResNet34三种卷积神经网络模型。系统提供GUI（PySide6）和Web（Flask+Vue）两种界面，支持模型训练、验证和测试功能。项目包含完整代码、预训练模型、数据集及可视化工具，可输出训练曲线、混淆矩阵、热力图等评估指标。系统支持自定义数据集训练，通过简单配置即可运行，适合农业病虫害识别研究与
本文介绍了一个基于深度学习的多场景图像识别系统，采用PyTorch框架实现ResNet34、ResNet50和VGG16三种卷积神经网络模型。系统具备静态图像识别、多模型切换和结果可视化功能，支持JPG/PNG等格式输入。后端使用Python+Django+SQLite构建RESTful API，前端采用Vue3+ElementUI实现交互界面。系统包含完整的数据预处理流程（OpenCV+Torc
一种新型端到端轴承故障诊断框架IMSE-IGA-CNN-Transformer，通过协同优化信号预处理与深度学习模型，显著提升了诊断性能。创新点包括：1）采用改进多目标香鼬优化算法（IMOCOA）优化SVR参数，有效抑制EMD端点效应；2）利用免疫遗传算法（IGA）自动优化CNN-Transformer超参数；3）构建串行混合网络结构，结合局部特征提取与全局时序建模优势。在CWRU和MFPT数据集
问题：DETR隐式查询空间先验弱，训练收敛极慢方案：DAB-DETR用4D动态锚框 (x,y,w,h) 作为显式查询创新锚框直接编码为位置查询宽高调制注意力，自适应目标尺度逐层动态优化锚框，级联细化效果：50epoch达到原版500epoch性能，同设置SOTA价值：为DETR类模型提供清晰、通用、高效的查询设计范式，成为后续众多DETR改进版的基础架构。
cnn
——cnn
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
