9个人类活动类型数据集。活动类、上楼走、下楼走、慢速走、中速走、快速慢跑、站着、坐着、躺着，这几类动作图片书集。 9个人类活动类型数据集。活动类、上楼走、下楼走、慢速走、中速走、快速慢跑、站着、坐着、躺着，这几类动作图片书集。 9个人类活动类型数据集。活动类、上楼走、下楼走、慢速走、中速走、快速慢跑、站着、坐着、躺着，这几类动作图片书集

10种坚果图像数据集。1163张训练数据, 50个测试数据，50个验证文件224 X 224 X 3 jpg格式。取得F1分100%的hs。还提供了一个csv文件树nuts.csv 10种坚果图像数据集。1163张训练数据, 50个测试数据，50个验证文件224 X 224 X 3 jpg格式。取得F1分100%的hs。还提供了一个csv文件树nuts.csv 10种坚果图像数据集。1163张训练数据, 50个测试数据，50个验证文件224 X 224 X 3 jpg格式。取得F1分100%的hs。还提供了一个csv文件树nuts.csv

竞赛任务是利用数据驱动的重建技术从有限视角的扇形光束测量中恢复乳房模型幻影图像。这项挑战的独特之处在于，参赛者获得了一组地面真实图像及其无噪音的子采样正弦图（以及相关的有限视角过滤反投影图像），但没有获得实际的正向模型。 团队名称：robust-and-stable 完成工作：首先在一个数据驱动的几何校准步骤中估计扇形光束的几何。在随后的两步程序中，设计一个迭代的端到端网络，能够计算出接近精确的解决方案。（损失低到无法想象） 方法结构： 第一步：数据驱动的几何图形识别 第二步：预训练的U-Net作为计算支柱网络 第三步：迭代方案 方法内容（摘原文翻译，其中小部分增加自己的理解和解释，公式截原文的图，水印很恶心）： 第一步 我们重建工作的第一步是从提供的训练数据中学习未知的前向算子（FBP算子）。断层扇形光束测量的连续版本是基于计算线积分。 其中x0是未知图像，L(s, )表示扇形光束坐标中的一条线，即是扇形旋转角度，s是编码传感器的位置。在一个理想化的情况下，扇形光束模型由以下几何参数指定（见图）。 d_source - X射线源到原点的距离

从0开始配置yolov5环境并训练自己的数据集

此ppt分别从脉冲神经元、编码方式、学习策略以及总结展望四个方面对SNN进行讲解，并刨析了两篇基础论文。

基于深度学习的鸟类识别系统的设计与实现.docx

本文的目的是解释Conditional Tabular GANs的工作原理，因为目前我还没有看到类似这样的文章。 表格数据生成是一个不断发展的研究领域。 CTGANs 论文已成为许多其他机器学习架构的基础，这些架构如今构成了该研究领域的最新技术。 为什么要生成表格数据？ 我们都知道如何使用生成对抗网络 (GAN) 生成图像数据。 我们现实中最常用的数据类型是表格数据。 表格数据是结构化的，在训练机器学习模型时通常更容易处理。 然而，虽然文本数据的生成方式和图形数据差不多，但是在生成表格数据时，要制作一个性能良好的模型，实际上会使事情复杂化很多。 本文的目标是了解 CTGAN 的工作原理。 为此，我将首先对 GAN 和表格数据进行简要说明。 然后我将介绍原始 CTGAN 论文中描述的架构。 最后，我将通过一个使用 Python 的示例实现。 回顾 GAN GAN 属于深度学习生成器的分支。 这是一个监督学习问题，我们有一组真实数据，我们希望通过使用生成器来扩充这个数据集。 GAN 学习生成样本与学习样本的分布有着根本的不同 GAN 由两个神经网络：生成器和鉴别器组成。 生成器

该算法可以实现深度学习去除各类图像中的伪影。Unet 发表于 2015 年，属于 FCN 的一种变体。Unet 的初衷是为了解决生物医学图像的问题，由于效果确实很好后来也被广泛的应用在语义分割的各个方向，如卫星图像分割，工业瑕疵检测等。 Unet 跟 FCN 都是 Encoder-Decoder 结构，结构简单但很有效。 Encoder 负责特征提取，可以将各种特征提取网络放在这个位置。 Decoder 恢复原始分辨率，该过程比较关键的步骤就是 upsampling 与 skip-connection。 Unet主要可分为三部分来看分别为左（特征提取），中（拼接），右（上采样） 特征提取部分：它是一个收缩网络，通过四个下采样，使图片尺寸减小，在这不断下采样的过程中，特征提取到的是浅层信息。具体过程是，输入图片然后经过两个卷积核（3x3后面紧跟着一个Relu）以论文原图为例：输入572x572，经过两个卷积核（大小为3x3）大小从572-570-568，然后经过一个Maxpool（2x2）图片尺寸变为284这即为一个完整的下采样，接下来三个也是如此。在下采样的过程中，

图像去噪最简单的网络之一DnCNN之讲解 softmax softmax​ ​关注他 67 人赞同了该文章 关于DNCNN图像去噪网络的简介 DnCNN是图像去噪领域一篇鼻祖类型的文章，本文是关于该文章主要原理的解读。DnCNN（Denoising Convolutional Neural Network）顾名思义，就是用于去噪的卷积神经网络。 文章标题：Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising 文章链接：https://arxiv.org/pdf/1608.03981.pdf 如果加载太慢也可以用镜像：http://xxx.itp.ac.cn/pdf/1608.03981.pdf 代码链接： https://github.com/cszn/DnCNN（官方） 或者： https://github.com/SaoYan/DnCNN-PyTorch

深度学习CT重建算法技术文档 深度学习CT重建技术文档 目录 深度学习CT重建技术文档 1 一． 稀疏角度U-net+传统重建算法去伪影 1 1.1 U-net+FBP 2 1.2 U-net+ART 3 1.3 U-net+SART 4 1.4 U-net+ML-EM 4 1.5 U-net+OSEM 4 二． 稀疏角度U-net+mSTCT去伪影 4 三． U-net替代STCT逆希尔伯特变换 5 3.1五段直线扫描分别训练模型 5 3.1.1 STCT相关算法 5 3.1.2 U-net替代五段直线扫描分别训练模型 6 3.2 五段直线扫描合并训练模型 12 3.3 两种方法结果对比 15 四． 算法改进与提升 16 4.1 增加掩膜 16 五． 附件 17 稀疏角度U-net+传统重建算法去伪影 本小节前三种算法是代数类重建算法，后两种是统计迭代类算法，所有算法均已用matlab复现，但由于需结合U-net（python环境）进行伪影去除，所以这里在前三种方法上利用的是ASTRA工具包的python版本产生稀疏角度数据，后两种由于ASTRA包中没有，所以采用