简介：随着汽车和媒体行业被Uber和Twitter等科技公司不断搅局,一些传统公司开始效仿新的竞争者,提升实力。GM与CNN就是其中的代表,他们发现自己已经不能免疫颠覆者们带来的影响。他们认为,与其试图与这些颠覆变革作斗争,还不如加入进来。

简介：

简介：语义图象分割是一项任务为每个图象象素预言一个范畴标签。它的关键挑战是设计一个强壮的特征代表。在这份报纸，我们作为特征表示熔化神经网络(CNN)展示的层次convolutional和基于区域的特征。层次特征包含更全球的信息，当基于区域的特征包含更多的本地信息时。这些二种特征的联合显著地提高特征表示。然后，熔化特征被用来训练一个softmax分类器生产每象素标签任务概率。并且一块充分连接的有条件的随机的地(CRF)被用作一个processing以后方法改进标记的一致性。我们进行实验在上筛流动数据集。象素精确性和班精确性分别地是84.4%和34.86%。

简介：美国有线新闻网络CNN亚太区域香港总部与美国Quintech“昆泰”的中国总代理中懋科技有限公司签订合约，中懋科技将于2005年初交付一台型号为SRM2150／32×16的卫星下行L波段矩阵到其位于香港岛的电视新闻制作调度中心。

简介：

简介：进入21世纪,世界好像一直就不太平。先是9·11恐怖事件震惊全世界,接着是阿富汗战争、车臣绑架事件、伊拉克事件,整个世界硝烟弥漫。在看得见的硝烟之外,国际传播领域也掀起一场没有硝烟的战争。在这场新闻大战中,名不见经传的海湾小国卡塔尔的半岛电视台,独领风骚,一鸣惊人,使CNN、BBC等国际大牌媒体黯然失色。如今海湾战争已经打响,媒体大战如火如荼,可以预见的是半岛电视台会是这场传媒战争的赢家之一,因为它手中有着其他电视台没有的优势。

简介：细胞的神经/非线性的网络(CNN)是为图象和录像信号处理的一个强大的工具，机器、生物的视觉。这篇论文与在二进制图象提取关上的域的性能介绍一种CNN，并且为设计如此的一种CNN的模板给一个一般方法。一条定理为决定为实现的参数间隔规定了分别地处理功能的图象提供参数不平等。在二进制规模图象提取关上的域的Examplesfor被给。

简介：在传统的OCR文字识别系统中,研究者主要关注的主要问题是文字的识别。但是由于现代印刷技术的发展与应用,对于印刷体文字版面的恢复成为当前一种重要应用需求。不仅需要识别出文字,还应该识别出文字的字体格式。目前针对汉字字体识别的研究较少,而且大部分基于特征提取方法,主要以局部特征,和全局特征为主。提出一种基于CNN的深度学习方法,来处理汉字字体识别。和以往的方法相比较,该方法识别率高,速度快,适用于复杂的应用环境,具有良好的实际使用价值。

简介：摘要：近年来，图像采集受到环境因素干扰较大，如何重建原始图像去除天气因素带来的干扰成为计算机视觉行业最具挑战性的重大问题之一。常见的图像去雾方法是--对抗生成网络、灰度补偿和特征融合、多边缘信息融合、重加权二阶正则项。主要解决了还原路面纹理的细节、沙尘图像的检测精度和分割准确率较低、对计算机要求较高、边缘融合软件需要集成大量的高画质影片、图片等数据的问题。本文介绍了一种基于CNN网络的图像去雾算法，可改善图像的修复效果。

简介：

简介：

简介：建立一个数学问题,综合两个解法得到了结论。

简介：

简介：摘要： 人体步态特征是反映人体个体特征的重要生物特征。对人体的步态动作图像进行视觉跟踪识别，运用红外和激光成像技术进行人体步态特征图像采集，对采集的图像采用视觉特征提取和跟踪识别，实现智能安防监控，研究基于步态特征识别的安防监控系统在实现安防系统的智能化设计方面具有重要意义。

简介：摘 要：随着物联网所产生的网络流量不断增加，各种新兴的攻击的方式不断出现。传统的物联网入侵检测模型通常存在较高的误报率和较低的准确率。本文提出一种基于深度学习的物联网入侵检测模型。通过实验分析，该模型具有较高的检测率和较低的误报率。

简介：摘要： 本文 研究了基于卷积神经网络的 超宽带通信系统室内密集多径信道模型识别。首先介绍了经典的超宽带室内密集多径信道模型，并对 IEEE802.15.4a信道模型 CM1~CM4这 4种信道的冲激响应进行了仿真，进行为后续实现信道模型识别奠定了理论基础；随后 本文提出了基于卷积神经网络对信道模型进行识别，针对不同的结构、不同的参数分别进行了试验，最终选择出较为合理的网络结构和参数，取得较好了 效果。

简介：时间是星期一早上，桑贾伊·古普塔正在格雷迪纪念医院的六楼做手术。除了和手术相关的抽吸声与汩汩水流声之外，手术室内一片静默，接受手术的伤患是一位24岁的男子，他在前一天晚上的车祸中弄断了脖子。

简介：基于细胞神经网络，采用改进型帧间差法检测飞行物体，针对飞行目标提取其相应的特征，建立特征参数库，为飞行物的实时跟踪与自动识别提供依据。

简介：摘 要：随着软件定义广域网（SDWAN）的迅猛发展，网络安全问题日益凸显。为了提高SDWAN网络的安全性，本文提出了一种基于卷积神经网络（CNN）和容器化分层架构的入侵检测系统。该系统采用深度学习技术，通过对SDWAN流量进行实时监测和分析，能够有效地识别网络中的潜在入侵行为。在系统架构方面，我们引入了容器化技术，将系统划分为多个独立的容器，实现了分层管理和灵活部署。每个容器负责特定的任务，如流量捕获、特征提取和模型训练等，通过容器之间的协同工作，实现了系统的高效运行和维护。在算法方面，我们采用了CNN作为入侵检测的核心模型。通过深度卷积神经网络对SDWAN流量的时空特征进行学习，系统能够自动学习并识别正常流量和潜在的入侵行为。与传统的规则或特征基础的入侵检测方法相比，基于CNN的方法具有更好的泛化能力和适应性。

简介：在互联网世界中,图片是传递信息的重要媒介。特别是电子商务、社交、搜索等领域,每天都有数以亿兆级别的图像在传播。自然场景就是我们所处的生活环境,自然场景图像中存在着大量的文本信息,例如路标信息、商店门店信息、商品包装信息等。随着深度学习的发展,基于深度学习的文本检测技术也逐渐流行起来。文章主要提出的是基于R2CNN的文本检测算法。在R2CNN算法的基础上对算法的结构进行改进,最终算法在ICDAR2015数据集上的召回率为87.2%,精确率为81.43%。