为了提高卷积神经网络（CNN）在图像隐写分析领域的分类效果，构建了一个新的卷积神经网络模型（steganalysis-convolutionalneuralnetworks，S-CNN）进行隐写分析。
该模型采用两层卷积层和两层全连接层，减少了卷积层的层数；
通过在激活函数前增加批量正规化层对模型进行优化，避免了模型在训练过程中陷入过拟合；
取消池化层，减少嵌入信息的损失，从而提高模型的分类效果。
实验结果表明，相比传统的图像隐写分析方法，该模型减少了隐写分析步骤，并且具有较高的隐写分析准确率。
该模型采用两层卷积层和两层全连接层，减少了卷积层的层数；
通过在激活函数前增加批量正规化层对模型进行优化，避免了模型在训练过程中陷入过拟合；
取消池化层，减少嵌入信息的损失，从而提高模型的分类效果。
实验结果表明，相比传统的图像隐写分析方法，该模型减少了隐写分析步骤，并且具有较高的隐写分析准确率。
2024/3/26 7:13:29
1.31MB
1
手写字识别系统，基于CNN，MINISET手写字数据集，python实现。
非要我填够50字的资源描述，这我就很苦恼，居然还不够，太气人了。
非要我填够50字的资源描述，这我就很苦恼，居然还不够，太气人了。
2024/3/22 19:16:51
37.21MB
1
目标检测（ObjectDetection）是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。
近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。
从最初2013年提出的R-CNN、OverFeat，到后面的Fast/FasterR-CNN，SSD，YOLO系列，再到2018年最近的Pelee。
短短不到五年时间，基于深度学习的目标检测技术，在网络结构上，从twostage到onestage，从bottom-uponly到Top-Down，从singlescalenetwork到featurepyramidnetwork，从面向PC端到面向手机端，都涌现出许多好的算法技术，这些算法在开放目标检测数据集上的检测效果和性能都很出色。
近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。
从最初2013年提出的R-CNN、OverFeat，到后面的Fast/FasterR-CNN，SSD，YOLO系列，再到2018年最近的Pelee。
短短不到五年时间，基于深度学习的目标检测技术，在网络结构上，从twostage到onestage，从bottom-uponly到Top-Down，从singlescalenetwork到featurepyramidnetwork，从面向PC端到面向手机端，都涌现出许多好的算法技术，这些算法在开放目标检测数据集上的检测效果和性能都很出色。
2024/3/11 5:24:12
3.58MB
1
python3使用tensorflow构建CNN卷积神经网络识别性别，有兴趣可以下载，如果有不明白的，可以去我的博客搜素相关介绍：http://georgeyang.cn
2024/2/28 3:18:37
11KB
1
MNIST手写字Matlab程序，包含BP和CNN程序。
不依赖任何库，包含MNIST数据，BP网络可达到98.3%的识别率，CNN可达到99%的识别率。
CNN比较耗时，关于CNN的程序介绍：https://blog.csdn.net/hoho1151191150/article/details/79714691
不依赖任何库，包含MNIST数据，BP网络可达到98.3%的识别率，CNN可达到99%的识别率。
CNN比较耗时，关于CNN的程序介绍：https://blog.csdn.net/hoho1151191150/article/details/79714691
2024/2/22 23:45:55
21.62MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB