登录社区云，与社区用户共同成长
邀请您加入社区
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。
本文提出了一种基于快速扩展随机树(RRT)、深度强化学习(DRL)和卷积神经网络(CNN)的无人机三维路径规划方法。该方法在MATLAB R2025b平台上实现，通过RRT提供基本的路径搜索骨架，利用DRL学习在不同环境特征下对RRT扩展方向和步长的智能调节策略，并采用CNN提取环境的三维结构特征。项目解决了三维环境建模复杂性、RRT与DRL/CNN的耦合机制等挑战，构建了包含环境建模、RRT搜索
脑电信号具有非平稳性强、信噪比低和个体差异明显等特点，使脑机接口中的运动想象分类较为困难。针对这一问题，本文以标准运动想象脑电数据集为对象，研究基于卷积神经网络的脑电信号分类及可解释性分析，以提高分类自动化水平并增强模型判别的可解释性。
本文介绍了一个基于深度学习的蔬菜识别系统，使用PyTorch框架实现了ResNet50、VGG16和ResNet34三种卷积神经网络模型。系统提供GUI界面（PySide6）和Web前端界面（Flask+Vue）两种操作方式，支持模型训练、验证和测试全流程。项目包含完整的数据集、代码和预训练模型，可输出训练过程曲线、分类混淆矩阵、热力图等可视化结果，并计算准确率、精确率等评估指标。系统支持自定义数
【摘要】该项目基于PyTorch框架开发了一个鲜茶叶等级识别系统，提供ResNet50、VGG16、ResNet34三种卷积神经网络模型可选。系统包含GUI（PySide6）和Web（Flask+Vue）双界面，支持图像分类、模型训练与验证功能。核心功能包括：1）完整的训练流程，输出准确率曲线、损失曲线和分类混淆矩阵；2）可视化模型结构与热力图；3）提供模型评估指标（准确率、精确率等）。项目附带完
本文提出了一种轻量化语音情感识别方案，采用CNN+BiLSTM混合架构，专为RK3588NPU优化设计。方案包含音频预处理（16kHz单声道3秒音频转换为40维梅尔频谱图）、双任务模型（7类情绪分类+3级强度分级）、以及RK3588NPU部署全流程。核心指标：模型体积≤80MB（量化后≤20MB），端到端响应≤150ms，识别准确率≥92%。通过梅尔频谱特征提取、CNN空间特征与BiLSTM时序特
本文系统介绍了深度学习中四种经典神经网络结构：1. CNN通过卷积层提取图像局部特征，池化层降维，适用于图像处理任务；2. RNN通过循环连接处理序列数据，具有记忆功能；3. LSTM改进RNN，通过门控机制解决梯度消失问题，擅长处理长序列；4. Transformer基于自注意力机制，突破序列处理瓶颈，成为NLP领域主流架构。文章详细解析了各网络的结构组成、工作原理及典型应用场景，并介绍了基于T
摘要：本项目基于PyTorch框架开发了一套多场景图像识别系统，采用ResNet34/50、VGG16等经典卷积网络模型，支持静态图像分类和模型灵活切换。系统采用Django+Vue3技术栈实现前后端分离，包含图像上传、模型推理、结果可视化及历史记录管理等功能模块。核心技术包括PyTorch模型训练优化、Django RESTful API开发、SQLite数据存储以及Vue3组件化界面。项目提供
针对光伏发电功率受气象、环境等多因素影响呈现的强波动性、间歇性特征，以及实际电网调度中对超前多步功率预测的迫切需求，提出一种基于卷积神经网络（CNN）与双向长短期记忆网络（BiLSTM）结合的多变量输入超前多步光伏功率预测模型。首先，筛选影响光伏功率的关键多变量特征，包括全局水平辐照度、直接法向辐照度、组件温度、环境温度、相对湿度等，通过局部异常因子（LOF）算法剔除异常数据，结合横向归一化消除量
本文介绍了一个基于深度学习的多模型图像识别系统。系统采用PyTorch框架，集成ResNet34、ResNet50和VGG16三种经典卷积网络模型，支持用户自由选择模型进行静态图像分类。后端使用Python+Django+SQLite实现RESTful API接口和数据存储，前端采用Vue3+ElementUI构建交互界面。系统具备图像预处理、多模型切换、结果可视化及历史记录管理等功能，通过迁移学
Raw 图像超分用 Raw 细节分支超分单通道亮度数据、色彩校正分支在每个空间位置学习 3×3 色彩变换矩阵实现像素级自适应校色。数据生成通过模糊+下采样+噪声模拟真实相机退化。建议先在小分辨率 (64×64 → 256×256) 上验证训练是否收敛，再用 MIT-Adobe 5K 或自己的 Raw 数据集做完整训练。色彩矩阵在每个像素位置独立预测是核心——允许模型校正局部色彩偏移。
风电功率预测是风电场安全稳定运行的关键环节之一。本文提出了一种基于天鹰优化算法 (AO) 优化的卷积神经网络 (CNN)-长短期记忆网络 (LSTM)-注意力机制 (Attention) 的风电功率预测模型 (AO-CNN-LSTM-Attention)。该模型利用 CNN 提取风电功率时间序列的局部特征，LSTM 学习时间序列的长期依赖关系，Attention 机制则关注重要特征，AO 算法则对
*摘要：**轴承作为机械设备的核心部件，其故障会导致整个设备的性能下降甚至失效。因此，准确及时地诊断轴承故障至关重要。本文提出了一种基于开普勒优化算法(KOA)优化双向时间卷积神经网络(BiTCN)的轴承故障诊断方法。该方法利用KOA算法优化BiTCN模型的超参数，提高了模型的精度和泛化能力。通过对公开数据集的实验验证，该方法在轴承故障诊断方面取得了优异的性能，其准确率和召回率均高于其他方法。本文
摘要：本文提出了一种基于蚁群算法（ACO）结合循环神经网络（RNN）与卷积神经网络（CNN）的无人机三维路径规划方法。通过构建三维栅格环境模型，利用ACO进行全局路径搜索，CNN提取环境特征评估风险，RNN建模路径序列进行策略修正。该方法在MATLAB R2025b平台上实现，解决了传统算法在复杂三维环境中计算效率低、易陷入局部最优等问题。实验结果表明，该混合智能框架能够有效提升路径规划性能，为低
卷积神经网络（CNN）是一种专门处理网格结构数据的深度学习模型，广泛应用于图像识别和计算机视觉任务。它通过局部感受野和权重共享机制高效提取空间特征，核心组件包括卷积层、激活函数、池化层和全连接层。CNN的训练过程包含前向传播、损失计算、反向传播和参数更新四个阶段。文章提供了使用PyTorch实现CNN对MNIST手写数字分类的完整代码示例，展示了模型训练、测试和可视化的全过程，最终测试准确率可达较
如果说Faster R-CNN解决了“物体在哪、是什么”，那Mask R-CNN就直接多解决了一个问题：“物体长啥样”。它在Faster R-CNN基础上，并行加了一个掩码预测分支，同时做检测+分割，简单、优雅、精度爆表，还能直接扩展做人脸关键点、人体姿态，堪称两阶段模型的“全能王者”。这篇就带你把Mask R-CNN从头到尾啃透，不漏一个细节。Mask R-CNN = Faster R-CNN
摘要：轴承作为机械设备的关键部件，其故障诊断对设备安全运行至关重要。本文提出了一种基于引力搜索优化算法(GSA)优化双向时间卷积神经网络(BiTCN)的轴承数据故障诊断方法。该方法利用BiTCN强大的时间序列特征提取能力，结合GSA算法对网络参数进行优化，从而提升模型的诊断准确率。论文首先介绍了BiTCN和GSA算法的原理，然后详细描述了基于GSA优化BiTCN的故障诊断模型，并给出了相应的Mat
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。系统具备多场景图像识别功能，支持静态图像分类、多模型切换和结果可视化，并通过SQLite数据库实现历史数据管理。技术栈包含Python+Django后端、Vue3前端，结合OpenCV进行图像预处理。系统提供完整的Web界面，包括登录注册、预测和历史记录查询功能，并配有详细的项目
Python基于卷积神经网络的语言情感识别系统，旨在实现对文本情感的有效分类。在数据预处理阶段，我们利用Python的数据处理库对原始文本数据进行清洗、分词和词嵌入转换，将其转化为适合CNN模型处理的数值形式。其次，为了有效管理大量的文本数据和模型参数，我们选择了MySQL数据库作为系统的数据存储解决方案。MySQL数据库具有稳定可靠、易于扩展的特点，能够满足系统对数据存储和查询的需求。在模型设计
本文介绍了一个基于CNN-BiLSTM-Attention神经网络的多变量时间序列预测MATLAB实现方案。该方案包含完整的数据生成、预处理、模型构建、训练评估流程，主要特点包括： 采用卷积神经网络提取局部特征，双向LSTM捕捉时序依赖，注意力机制突出关键信息 提供参数设置界面，支持GPU加速和超参数搜索 包含数据标准化、滑动窗口构造、增量预测等预处理步骤 实现早停机制、学习率衰减等训练优化策略
ViT的出现，是计算机视觉历史上一次彻底的范式切换，它证明了Attention（注意力机制）才是深度学习真正的“万能油”。你今天如果花十分钟把刚才的PyTorch代码跑通，理解PatchEmbedding、位置编码、MSA、残差连接这四板斧，那市面上80%的ViT变种（DeiT、Swin、PVT）在你眼里都是小透明。不用去膜拜谷歌大模型和疯狂的算力，最微小的MNIST一样可以让你亲手撬开视觉Tra
本文介绍了一个基于PyTorch的MNIST手写数字识别项目。使用3层CNN+2层全连接网络，在MNIST数据集上实现了99.3%的测试准确率。项目采用多GPU并行训练、混合精度加速等技术优化性能，包含完整的数据预处理、模型构建、训练配置和评估流程。代码简洁高效，通过BatchNorm和Dropout防止过拟合，并利用学习率调度提升模型精度。整个项目以Jupyter Notebook形式呈现，便于
摘要：本项目基于PyTorch框架开发了一个草莓保质期预测系统，采用ResNet50、VGG16和ResNet34三种卷积神经网络模型。系统包含GUI(PySide6)和Web(Flask+Vue)两种界面，支持图像分类、模型训练和评估。核心功能包括训练过程可视化(准确率/损失曲线)、模型结构分析、混淆矩阵、热力图等指标输出。项目提供完整代码、预训练模型和数据集，支持自定义数据集训练，可在PyCh
http://智能交通基于卷积神经网络的交通流量预测系统：MATLAB实现与GUI可视化应用MATLAB实现基于卷积神经网络（CNN）进行交通流量预测的详细项目实例（含完整的程序，GUI设计和代码详解）资源-CSDN下载 https://download.csdn.net/download/xiaoxingkongyuxi/92197807http://智能交通基于卷积神经网络的交通流量预测系统：
从FCN第一次让神经网络实现像素级分类的突破，到Mask R-CNN完美融合检测与分割的优雅架构，再到如今基础模型时代下的通用分割范式，图像分割技术的发展史，正是计算机视觉从“看见”走向“理解”的缩影。FCN教会了我们如何利用全卷积网络端到端地学习像素关系，奠定了方法论基础；Mask R-CNN则展示了如何在复杂任务中通过精巧的结构设计（如ROI Align）和多任务学习来逼近问题的极限。而今天，
摘要：本文介绍了一系列基于Python深度学习的音频识别项目，涵盖动物声音识别（猫叫、狗叫、鸟鸣等）、语音识别（数字、英文单词）、音乐分类和环境声音识别等多个领域。这些项目主要采用卷积神经网络(CNN)等深度学习技术，实现了对各类声音特征的提取和分类，展示了深度学习在音频处理领域的广泛应用。项目内容涉及动物异常声音检测、说话情感识别等细分方向，为声音识别研究提供了实践案例。
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
腾讯云开发者社区
