【ch10-卷积神经网络】 卷积神经网络.pdf

【ch10-卷积神经网络】 池化与采样.pdf

【ch10-卷积神经网络】 经典卷积网络.pdf

卷积神经网络的应用

深度学习 该文件夹包含我的各种AI和机器学习项目的深度学习模型。 长短期记忆（LSTM）卷积神经网络（CNN）ResNet50

用卷积神经网络实现彩色图像的超分辨率，MATLAB代码实现

用于烹饪食谱检索的深度学习食物图像识别系统 演示：DeepChef 总览 更新：博客文章现已发布。 有关更多信息，请访问！ 例如用法，请访问此Jupyter Notebook： Maturaarbeit 2018：这项工作利用Keras的深度卷积神经网络将图像分类为230种食物并输出匹配的食谱。 数据集包含来自chefkoch.de的> 400'000食物图像和> 300'000食谱。 几乎没有任何其他领域能像营养一样对人类福祉产生类似的影响。 每天，用户都会在社交网络上发布无数的食物图片； 从第一个自制蛋糕到顶级米其林菜肴，万一菜肴成功，您将与世界分享快乐。 事实是，无论彼此之间有多大差异，美食都会受到大家的赞赏。 个别烹饪原料的分类或对象识别方面的进展很少。 问题在于几乎没有公开编辑的记录。 处理 该代码（Jupyter笔记本）提供了许多德语注释。 该过程如下所示： 1│──数据准备│└──清除数据│└──数据扩充 2│──数据分析和可视化，拆分数据（训练，有效，测试） 3│──使用简单ML模型的首次尝试│└──最近邻分类器（kNN） │└──k-均值聚类│└──支持向量机

3D_CT_分类 此示例将显示构建3D卷积神经网络（CNN）以预测计算机断层扫描（CT）扫描中病毒性肺炎的存在所需的步骤。 2D CNN通常用于处理RGB图像（3通道）。 3D CNN只是3D等效项：它以3D体积或2D帧序列（例如CT扫描中的切片）为输入，因此3D CNN是学习体积数据表示的强大模型。

matlab灰色处理代码图像重建研究 使用卷积神经网络来重建已被模糊，噪点和降采样的图像。 该论文被国际信息论及其应用研讨会所接受。 作者： 迈克尔·门德斯（Michael Mendez），鲁美（Roummel F. 图像处理 灰度和高斯模糊的代码在image_process.m中。泊松噪声的添加，归一化和缩小的代码在Creation_Dataset_Code.ipynb中。 数据集是所有图像都在一个文件夹中，使用Matlab I对每个图像进行灰度缩放，并通过Matlab添加高斯模糊器。 转换后，将每个图像放入一个数组中并另存为.mat文件。 然后，这些.mat文件将进行下采样和增加泊松噪声。 .mat文件使用具有功能loadmat的pythons scipy.io库加载。 运行jupyter笔记本脚本，您需要将文件目录更改为下载目录。 取消注释每个步骤以及要创建的数据集的必要功能。 将每个创建的数据集另存为numpy。 卷积神经网络 PICS-Pytorch.ipynb中的代码 -在以后添加数据集。

使用PyTorch对预训练的卷积神经网络进行微调。 产品特点 可以访问ImageNet上经过预训练的最受欢迎的CNN架构。 自动替换网络顶部的分类器，使您可以使用具有不同类数的数据集训练网络。 使您可以使用任何分辨率的图像（不仅限于在ImageNet上用于训练原始模型的分辨率）。 允许添加一个Dropout层或一个自定义池层。 支持的架构和模型 从包中： ResNet（ resnet18 ， resnet34 ， resnet50 ， resnet101 ， resnet152 ） ResNeXt（ resnext50_32x4d ， resnext101_32x8d ） Dens