matlab
si模型代码ECCV-通过多尺度卷积神经网络进行单幅图像去雾
任文奇、刘思、张华、潘金山、曹晓春、杨明轩
2016
年
10
月
10
日发布。
这些代码基于
MatConvNet。
描述
这是
ECCV16
论文的测试实现：Single
Image
Dehazing
via
Multi-scale
Convolutional
Neural
Networks。
我们提供测试演示以及预训练模型。
脚本和预训练模型
这是我们在
ECCV16
中的去雾论文的演示实现。
此测试代码基于
MatConvNet
工具箱。
您应该首先在您的计算机上编译
MatConvNet，然后使用“demo_MSCNNdehazing.m”来测试您的图像。
“MSCNN_dehazing\matlab”文件夹中当前发布的编译版本可以直接在Win7电脑上使用。
引文
@inproceedings{Ren-ECCV-2016,
作者
=
{任、文奇与刘、司与张、华与潘、金山与曹、小春与杨、明轩}，
title
=
{通过多尺度卷积神经网络进行单图像去雾}，
booktitle
=
{欧洲计算机视觉会议}
2021-10-22 20:21:31
11.82MB
1
使用从单个图像进行3D人脸建模的Python代码
新功能：请参阅我们的后续项目，以进行。
此页面包含端到端演示代码，这些代码直接从不受约束的2D面部图像中估算3D面部形状和纹理。 对于给定的输入图像，它将生成面部形状和纹理的标准层文件。 它伴随我们的论文[1]中描述的深层网络。 在此版本中，我们还包括了地标构成的姿势和表情拟合的演示代码。
此版本是正在进行的人脸识别和建模项目的一部分。 请，请参阅以获取更新和更多数据。
特征
直接从图像强度用于3D形状和纹理估计的端到端代码
在不受限制的条件下设计和测试人脸图像，包括具有挑战性的LFW，YTF和IJB-A基准
首次显示使用我们的网络提取的3D面部形状和纹理参数具有描述性和鲁棒性，并通过这些基准上的3DMM表示提供了近乎最新的面部识别性能
没有昂贵的迭代优化，内部循环即可回归形状。 因此，3DMM安装非常快
使用回归的3D人脸模型，根据检
2021-10-22 16:09:02
42.47MB
1
使用深度学习进行图像伪造
使用深度学习的图像伪造检测，在PyTorch中实现。
提议
整个框架：首先，将RGB图像分为重叠的块（64x64）。 然后，在被网络打分之前，将RGB色块转换为YCrCb颜色通道。 最后，设计了一个后期处理阶段，以完善网络的预测，并就图像的身份验证做出最终结论。
深度神经网络改编自MobileNet-V2。 但是，我们修改了原始MobileNet-V2，使其与我们的问题更加相关。 下图描述了体系结构修改。
实验结果
我们已经对模型配置进行了全面评估，以显示哪个因素可以改善模型的最终性能。 为了解决这个问题，我们定义了与MobileNetV2（称为MBN2）一起作为核心的六种配置。 要考虑两个颜色通道，即RGB和YCrCb。 此外，还考虑了三种MobileNetV2架构进行比较。 第一个体系结构是从零开始训练的MobileNetV2，第二个体系结构是通过Image
2021-10-21 23:11:40
121.31MB
1
先安装conda，然后在conda环境下安装tensorflow。要求：64位linux系统，python3.5。
2021-10-21 11:01:06
31.75MB
1
CNN模型简单介绍,按照提出时间依次介绍LeNet,AlexNet,VGG,GoogLeNet,ResNet,GAN,R-CNN。十几页的ppt，主要介绍各个模型的核心思想、贡献，希望能为大家提供一条清晰的CNN发展脉络。具体的算法实现等需要阅读文章代码。相关文章会作为另一个资源提供免费打包下载。
2021-10-21 09:46:14
803KB
1
The following additional files are required for this exercise:
A subset of the STL10 Dataset (stlSubset.zip)
Starter Code (cnn_exercise.zip)
You will also need:
sparseAutoencoderLinear.m or your saved features from Exercise:Learning color features with Sparse Autoencoders
feedForwardAutoencoder.m (and related functions) from Exercise:Self-Taught Learning
softmaxTrain.m (and related functions) from Exercise:Softmax Regression
If you have not completed the exercises listed above, we strongly suggest you complete them first.
2021-10-21 00:46:48
105.47MB
1
用于cnn的 STL10Features.mat 数据集。
subSTL缺少10Features的数据，这个是
2021-10-20 22:43:25
1.4MB
1