本项目基于多模态深度学习的情感分析系统，融合图像与文本双模态输入，通过改进的ResNet101(集成通道注意力机制) 解析酒店环境图片，实现八类主题属性识别和情感倾向检测，同时结合微调的中文Bert模型对评论文本进行六个维度的细粒度情感分析，因为使用的是文本和图像分别训练模型，然后综合计算得到情感倾向，所以项目支持图像、文本独立或联合推理。项目采用多任务学习架构，具备模块化设计、注意力增强、概率融

本文介绍了一种基于YOLOv8的车牌检测与识别系统。

本文提出了一种基于YOLOv8n和AttUnet的两阶段胃息肉检测与分割方法。YOLOv8n采用无锚点设计，通过C2f模块和SPPF模块进行特征提取，实现高效息肉检测；AttUnet引入注意力门控机制，在Unet架构基础上提升分割精度。项目使用Kvasir-SEG数据集，包含内镜图像及对应的边界框和分割标注。系统首先通过YOLOv8n定位息肉区域，再利用AttUnet进行精细分割，为临床诊断提供辅

本项目是一个基于深度学习的中文语音识别系统，旨在将中文语音信号准确转换为对应的文本内容

本文介绍了一个基于改进双塔神经网络的语义匹配模型，该模型结合了BiLSTM、自注意力机制和卷积神经网络，用于判断两个句子在语义上的相似程度。

本项目采用深度学习方法，具体使用架构实现英文到中文的机器翻译任务。是一种基于自注意力机制的序列到序列（Seq2Seq）模型，专为高效处理长距离依赖和并行计算设计。其核心思想是通过多头注意力替代传统循环或卷积结构，实现全局上下文建模。主要由编码器(Encoder)和解码器(Decoder)组成，采用完全基于注意力机制的结构，摒弃了传统的循环神经网络。

使用BERT模型完成基础的NLP新闻分类任务

本项目开发了一个基于CNN14深度学习模型的食物声音分类系统，能够识别20种不同食物的咀嚼声音。系统采用梅尔频谱图作为音频特征表示，通过数据增强技术（时域拉伸和频谱掩蔽）提升模型泛化能力。CNN14模型包含6个卷积块和全局平均池化层，专为音频信号处理优化。

使用BERT模型完成基础的NLP新闻分类任务

本项目实现了一个基于Flask和MySQL的期货数据分析系统，主要功能包括期货市场涨跌统计、每日市场观点分析、PDF报告生成与数据筛选。项目采用模块化设计，包含数据格式转换、特征提取、数据库存储和可视化展示全流程。数据集仅供学习使用，强调不可商用盈利。