登录社区云，与社区用户共同成长
邀请您加入社区
MATLAB实现，包含数据预处理、CNN模型构建、训练、评估和实时推理等功能，专门用于道路特征提取任务。
本项目设计了一个基于改进VGG卷积神经网络的车牌识别系统，主要包含车牌定位、字符分割和字符识别三个核心模块。系统能够自动识别蓝牌、黄牌和新能源绿牌，通过颜色分割与几何分析定位车牌区域，并结合垂直投影法实现字符分割。针对32×32灰度字符图像，设计了轻量化VGG网络结构，采用Conv-BN-ReLU模块和全局平均池化提升分类性能。
GPU 是并行之王，但它不是唯一的选择。CPU 的 SIMD 单元在正确的场景下，可以让代码快 8–16 倍——而且不需要离开 Swift。
本项目基于U-Net架构实现视网膜血管分割，使用Kaggle眼底图像数据集，通过深度学习技术自动识别血管结构。实验过程包括数据预处理、模型构建、训练与评估，最终在测试集上达到0.877的准确率和0.473的交并比。结果表明U-Net能有效提取视网膜血管特征，为糖尿病视网膜病变等眼疾的早期诊断提供技术支持。
1]董文静.基于轻量化CNN与级联模型的轨道交通人工智能标识检测[J].自动化与仪器仪表,2026,(6)148-152.DOI:10.14016/j.cnki.1001-9227.2026.06.148.
ANN = 用多层“线性变换 + 非线性激活”拟合函数关系。
风电作为一种清洁可再生能源，在全球能源结构中扮演着越来越重要的角色。准确预测风电功率对于电网安全稳定运行和风电场效益最大化至关重要。近年来，随着人工智能技术的不断发展，基于深度学习的风电功率预测方法取得了显著进展。本文针对多变量输入单步预测问题，提出了一种基于霜冰优化算法RIME-CNN-BiLSTM-Attention的风电功率预测模型。
【摘要】本项目基于CNN实现社交媒体谣言检测，使用Python深度学习技术处理新浪微博的中文谣言数据集（1538条谣言/1849条非谣言）。实现过程包括：1）解析JSON格式原始数据并生成标注文本；2）构建字符级数据字典实现文本向量化；3）划分训练集/验证集（1:7比例）；4）设计数据读取器支持批量训练。通过字符级CNN模型对微博文本进行二分类（谣言/非谣言），该项目为应对社交媒体虚假信息传播提供
本文介绍了一款基于深度学习的电塔缺陷检测系统，采用YOLOv8/YOLOv5/YOLO11等算法模型，支持图片、视频及摄像头输入的实时检测。系统使用Python与PyQt5开发，具有直观的UI界面，可实现检测结果保存与导出（xls格式）。文章提供了完整的Python代码和使用指南，适用于电力设备巡检、运行维护等场景。创新点在于添加了SE注意力机制，提升模型性能。系统功能包括单张图片识别、文件夹批量
项目中所用到的算法模型和数据集等信息如下：算法模型：yolov8yolov8 + SE注意力机制或yolov5yolov5 + SE注意力机制或yolo11yolo11 + SE注意力机制数据集：网上下载的数据集，格式都已转好，可直接使用。以上是本套代码算法的简单说明，添加注意力机制是本套系统的创新点。全新SOTA模型YOLOv8 提供了全新的最先进（SOTA）的模型，包括P5 640和P6 12
本文介绍了一个基于深度学习的葡萄病害检测识别系统，采用YOLOv8/YOLOv5/YOLO11等算法模型，并创新性地加入SE注意力机制提升检测精度。系统具备图片、视频、摄像头实时检测功能，支持批量处理、结果导出及目标切换查看。通过Python与PyQt5开发的UI界面直观展示检测结果，可有效识别葡萄黑腐病等病害，帮助种植户及时防治。文章提供了完整代码和数据集资源，便于读者实践应用。该系统结合计算机
本文介绍了一个基于深度学习的麦穗计数统计系统，该系统采用YOLOv8/YOLOv5/YOLO11等算法模型，结合SE注意力机制提升检测精度。系统支持图片、视频和摄像头输入的实时检测，具备单张图片识别、文件夹批量识别、结果导出等功能。通过Python与PyQt5开发的UI界面直观展示检测结果，可有效解决传统人工计数效率低、误差大的问题，为小麦产量预估提供精准数据支持。文中还提供了完整的Python代
本文介绍了一套基于YOLOv8/YOLOv5/YOLO11的羊群计数统计系统，该系统利用深度学习技术实现羊群的自动识别与数量统计。系统采用Python与PyQt5开发，具有UI界面，支持图片、视频及摄像头输入的实时检测，并能保存检测结果。文章提供了完整的Python代码和使用指南，包含单张图片识别、文件夹批量识别、视频解析、摄像头实时检测等功能，并支持结果导出为xls格式。创新点在于添加了SE注意
本文介绍了一种基于深度学习的老鼠检测系统，该系统采用YOLOv8/YOLOv5/YOLO11等算法，结合SE注意力机制提升检测精度。系统支持图片、视频、摄像头输入的实时检测，并具备UI界面，可直观显示检测结果。功能包括单图识别、文件夹批量识别、视频解析、摄像头实时检测以及结果导出等。该系统可应用于食品加工、仓储、市政等场景，有效解决传统鼠患检测效率低、覆盖不足的问题，为公共卫生防控提供智能化解决方
本文介绍了一个基于深度学习的SAR舰船检测识别系统，该系统采用YOLOv8/YOLOv5/YOLO11算法，结合SE注意力机制提升检测精度。系统支持图片、视频和摄像头输入的实时检测，可识别舰船位置、类型及航行状态，并生成分布热力图与异常预警。创新点在于引入注意力机制优化模型性能，解决了传统SAR检测效率低、易受干扰等问题。系统采用Python与PyQt5开发，具备友好的UI界面，支持检测结果保存和
分类报告显示，“正常流量”“DDoS_UDP”“DDoS_ICMP”“MITM”的精确率和召回率均为1.00，而“SQL注入”（精确率0.62）、“XSS攻击”（精确率0.64）、“指纹识别攻击”（召回率0.27）的表现相对较弱——这是因为这些攻击的流量特征更细微（如SQL注入的恶意语句被加密、XSS攻击的脚本片段短）。混淆矩阵（图10）和归一化混淆矩阵（图11）进一步显示，误判主要集中在“注入攻
✅ Python CNN动物识别系统 TensorFlow+Django+Echarts 训练代码+数据集 毕业设计（建议收藏）
C++20协程通过无栈协程（stackless coroutines）实现，以co_await、co_yield和co_return关键字为核心。与传统回调函数和future/promise模式相比，协程提供了更直观的同步式编程风格，同时保持异步操作的性能优势。随着编译器优化（如MSVC、GCC、Clang）持续改进，协程性能将进一步提升，有望成为高并发服务的主流开发范式，特别是在云计算、游戏引擎
本项目基于Python技术栈，采用Django框架搭建Web系统，集成TensorFlow和CNN卷积神经网络模型，构建了一个智能动物图像识别平台。系统支持10类常见动物（猫、狗、牛等）的分类识别，提供图片上传、CNN识别、词云分析、动物百科等完整功能链。创新性地将CNN模型与Django深度整合，实现从图像上传到可视化分析的全流程自动化，为智慧农业、生态保护和教学实验提供开箱即用的AI解决方案。
Python+CNN垃圾分类系统 垃圾分类与处理建议系统 PyQt5界面+TensorFlow深度学习（建议收藏）✅
本文探讨了评估语言模型性能的不同方法及其局限性。对于选择题，模型输出可能包含文字、概率或推断，难以标准化评判；开放性问题则更难统一标准。解决方案包括wit人类评审、使用更强模型模型（如GPT-4）评判，但需注意"内卷"（过长输出）的影响。测试应涵盖多样化任务（如BIG-bench中的200多个特定任务）或专项能力（如长文理解）。此外，研究表明语言模型可能为达成目标而降低道德标准
本文介绍了一个基于Django+Vue+CNN的音乐推荐系统毕业设计方案。系统采用深度学习技术，通过CNN从音频中提取梅尔频谱图特征，解决了传统推荐系统的冷启动问题。后端使用Django实现用户管理、音乐处理和推荐引擎，前端采用Vue.js构建交互界面。项目创新性地将音频内容分析与用户行为数据结合，实现了"听音识曲"式的智能推荐。系统架构包含数据处理、模型训练和在线服务模块，完
C++性能优化是一个永无止境的探索之旅。它要求开发者不仅深入理解语言特性、计算机体系结构，还要具备系统性的思维和熟练使用工具的能力。从编写整洁高效的代码开始，到精细掌控内存与并发，再到借助编译器和剖析工具持续调优，每一步都是向着性能巅峰迈进的坚实脚印。记住，优化的最高境界是在保证代码可读性和可维护性的前提下，实现资源消耗与执行效率的完美平衡。
本项目是基于卷积神经网络的手写数字识别系统，使用MNIST数据集实现0-9数字识别。开发环境为Python3.10+Pycharm，采用PyTorch框架，依赖torchvision、matplotlib和numpy等库。该项目虽然工作场景应用有限，但适合编程初学者学习神经网络基础。系统包含绘图识别功能（draw_and_recognize.py），所有代码经过调试确保可运行。作为入门级AI项目，
航空发动机气路故障智能诊断系统研究 摘要：本研究提出了一套基于CNN-LSTM混合深度学习模型的航空发动机气路故障诊断系统。系统针对五种常见故障类型（叶片磨损、积碳、泄漏等），通过分析多维度传感器数据（压力、温度、转速等20+特征参数）实现智能诊断。创新性地结合了CNN的局部特征提取能力和LSTM的时序建模优势，采用标准化、PCA降维等技术优化数据预处理流程。实验结果表明，该系统具有较高的诊断准确
开源免费分享企业级YOLOV火灾识别研究与应用智能识别系统源码|Python+YOLO+CNN架构+完整数据集【完整版】可提供说明文档 可以通过*AIGC**技术包括：MySQL、VueJS、ElementUI、（Python或者Java或者.NET）等等*功能如图所示。可以滴我获取详细的视频介绍
本文提出CNN-LSTM组合模型用于电力负荷等多变量时序预测。该模型融合卷积神经网络(CNN)的局部特征提取能力和长短期记忆网络(LSTM)的时序依赖建模优势，通过一维卷积和池化提取局部模式，再由LSTM聚合长期依赖信息。实验采用80%数据作为训练集，剩余20%作为测试集，通过数据预处理、网络构建、模型训练和评估等步骤。代码提供完整实现，支持csv/excel数据格式，包含数据读取、归一化、三维重
最终的特征图比原始图像小得多，如果想要保持特征图不变，可以在原图的周围添加padding来实现目的：在输入图像的边缘添加额外的元素，从而解决卷积操作时边缘信息丢失的问题。平均池化演示：例如你池化层是2*2，步长为1,在这个2*2的范围所有数的哦平均值就是你得输出。# 调用api 传入的通道数为3，输出的通道数为4 卷积核为3 步长为2 填充为0。调用api 传入的通道数为3，输出的通道数为4 卷积
本文提出了一种CNN-BiLSTM-Attention混合模型用于电力负荷等多特征时序预测。该模型结合CNN的局部特征提取能力、BiLSTM的双向时序处理优势以及注意力机制的关键信息筛选功能，有效解决了传统RNN/LSTM模型在长时序预测中存在的问题。文章详细介绍了模型构建流程，包括数据预处理、网络结构设计（输入层、CNN层、BiLSTM层、注意力层和输出层）、训练评估方法等，并提供了完整的代码实
cnn
——cnn
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AMD开发者中国社区
亚马逊云科技技术品牌专区
AI Agent技术社区
