搜索资源列表
Saliency-Detection
- 提出一种新的显着性检测方法，通过将区域级显着性估计和像素级显着性预测与CNN（表示为CRPSD）相结合。对于像素级显着性预测，通过修改VGGNet体系结构来执行完全卷积神经网络（称为像素级CNN）以执行多尺度特征学习，基于该学习进行图像到图像预测以完成像素级显着性检测。对于区域级显着性估计，首先设计基于自适应超像素的区域生成技术以将图像分割成区域，基于该区域通过使用CNN模型（称为区域级CNN）来估计区域级显着性。通过使用另一CNN（称为融合CNN）融合像素级和区域级显着性以形成nal显着图，并
pixel-cnn-master
- 图像中的像素预测，隐马尔科夫模型，卷积神经网络(Pixel prediction, Markov model)
cnn
- matlab包，卷积神经网络函数，用于数据预测，分类以及识别(Convolution neural network functions for data prediction, classification and identification)
MNIST_CNN
- 用于MNIST数据集，训练卷积神经网络，预测准确率大约为99.3%(Training Convolutional Neural Network on MNIST dataset)
network
- 卷积神经网络函数，用于数据预测，分类以及识别(Convolution neural network functions for data prediction, classification and identification)
基于卷积神经网络的回归预测
- 基于卷积神经网络的回归预测，可做股票预测，能耗预测等。