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

基于卷积神经网络的手写体识别19.2 深度学习的概念及关键技术1、神经网络模型2、深度学习之卷积神经网络19.3 Python深度学习库——Keras1、Keras的安装2、Keras的网络层3、用Keras构建神经网络19.4 程序设计的思路19.5 源代码1、MNIST数据集2、手写体识别案例体现3、预测自己手写图像 #!/usr/bin/env python # coding: utf-8 19.2 深度学习的概念及关键技术 1、神经网络模型 ·生物神经元 ·轴突（输出）终端为其他神经元的树突（输入） ·人工神经网络 2、深度学习之卷积神经网络 ·深度学习结构：含有多隐层的神经网络。

二维互相关运算 mport torch import torch.nn as nn def corr2d(X, K): H, W = X.shape h, w = K.shape Y = torch.zeros(H - h + 1, W - w + 1) for i in range(Y.shape[0]): for j in range(Y.shape[1]): Y[i, j] = (X[i: i + h, j: j + w] * K).sum() return Y 构造上图中的输入数组X、核数组K来验证二维互

提出了一种基于多尺度特征融合的全卷积神经网络的视网膜血管分割方法, 无需手工设计特征和后处理过程。利用跳跃连接构建编码器-解码器结构全卷积神经网络, 将高层语义信息和低层特征信息进行融合; 利用残差块进一步学习细节和纹理特征; 利用不同空洞率的空洞卷积构建多尺度空间金字塔池化结构, 进一步扩大感受野, 充分结合图像上下文信息; 采用类别平衡损失函数解决正负样本不均衡问题。实验结果表明, 在DRIVE(Digital Retinal Images for Vessel Extraction)和STARE (Structured Analysis of the Retina)数据集上的准确率分别为95.46%和96.84%, 敏感性分别为80.53%和82.99%, 特异性分别为97.67%和97.94%, 受试者工作特征(ROC)曲线下的面积分别为97.71%和98.17%。所提方法相较于其他方法性能更优。

ECA-Net代码：深度卷积神经网络的有效通道关注度ECA-Net：高效信道注意性ECA-Net：深度卷积神经网络有效通道注意率这是由Banggu创建的ECA-Net（CVPR2020，论文）的实现吴。 简介最近，通道注意机制已被证明在改善深度卷积神经网络（CNN）的性能方面具有巨大潜力。 但是，大多数现有方法都致力于开发更复杂的注意力模块以实现更好的性能，这不可避免地

数字全息系统是一种非常先进的成像系统,但相干光源数字全息系统中散斑噪声会对全息图的质量产生不利影响,常规实验降噪或基于传统神经网络算法降噪方法均存在不足。为实现全息图中的散斑降噪以及权衡降噪效率问题,提出一种基于卷积神经网络的单幅全息图快速降噪算法,使用散斑噪声数据集对多等级神经网络进行训练。理论分析及实验结果表明卷积神经网络应用于数字全息图的频谱域去噪能有效提高全息图的质量,且仅使用一幅全息图就可以有效地处理不同等级散斑噪声,在保持去噪性能的前提下,能最大限度保存全息图有效干涉条纹。