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

基于深度学习的常见作物病虫害识别系统的源码+数据集.zip内附教程和论文。 软件架构 1.深度学习技术栈：Python3.7 , Tensorflow 2.1, google colab 2.服务端技术栈：阿里云ECS，Ubuntu-18-04-x64，Docker, Tensorflow Serving, nginx , tomcat 3.web客户端技术栈：Vue2 , Echarts , Tensorflow for js, Opencv for js 教程 -- tensorflow从安装到部署到服务器的保姆级教程 客户端代码 -- Web端，“hc”是jquery的版，“recogpest”是vue版 （上面成果里面的识别系统用的是vue版） 论文 -- 参考论文、最后毕业的论文、性能统计结果等成果 深度模型训练测试代码 -- 训练、测试深度学习模型的代码 基于深度学习的常见作物病虫害识别系统的源码+数据集.zip内附教程和论文。基于深度学习的常见作物病虫害识别系统的源码+数据集.zip内附教程和论文。基于深度学习的常见作物病虫害识别系统的源码+数据集.zip内附教程和论

imagenet-deepfill模型

基于深度学习的低剂量CT去噪后处理算法研究.doc