基于COCO数据集的人体姿势估计 该存储库包含使用深度神经网络执行人体姿态估计的SENG 474数据挖掘项目的在建项目。 下面是我们项目建议的简短摘录。 问题 人体姿态估计（HPE）是识别人体关键点以构建人体模型的问题领域。 许多现有系统接受图像作为输入，有些实现接受诸如点云和视频之类的格式。 HPE的应用广泛且使许多行业受益。 特别是，HPE在电影和游戏行业中均用于动画。 HPE的更险恶的应用可用于识别多个帧（即视频）上的个人。 HPE的另一个子集是手势估计，可用于翻译手语。 由于诸多挑战，HPE是一个困难的问题领域。 这些包括人类外观和体格的变化，环境光照和天气，其他物体的遮挡，关节重叠的自我遮挡，人体骨骼运动的复杂性以及2D图像输入的固有信息丢失[1]。 这个很大程度上未解决的问题使我们能够探索许多新颖和创造性的方法，从而丰富我们的学习经验。 我们很高兴探索这些应用程序，但是我们决定

基于深度神经网络和蒙特卡罗树搜索的神经网络搜索

DeepVariant DeepVariant是一个分析管道，它使用深度神经网络从下一代DNA测序数据中调用遗传变异。 为什么选择DeepVariant DeepVariant是高度准确的。 在2016年DeepVariant DeepVariant DeepVariant是一个分析管道，该管道使用深度神经网络从下一代DNA测序数据中调用遗传变异。 DeepVariant依赖于Nucleus，这是一个Python和C ++代码库，用于以通用基因组文件格式（例如SAM和VCF）读写数据，旨在与TensorFlow机器学习框架轻松集成。 如何运行我们建议使用我们的Docker解决方案。 该命令将如下所示：BIN_VERSION =“ 0.10.0” sudo docker run

安装 克隆存储库 git clone git@github.com:awni/ecg.git 如果您没有virtualenv ，请使用 pip install virtualenv 制作并激活新的Python 2.7环境 virtualenv -p python2.7 ecg_env source ecg_env/bin/activate 安装要求（这可能需要几分钟）。 对于仅CPU支持运行 ./setup.sh 要安装GPU支持，请运行 env TF=gpu ./setup.sh 训练 在回购根目录（ ecg ）中，创建一个名为saved的新目录。 mkdir saved 要训​​练模型，请使用以下命令，将path_to_config.json替换为实际配置： python ecg/train.py path_to_config.json 请注意，在每个时期之后，将模型保存在ecg

基于深度神经网络的人脸识别算法研究基于深度神经网络的人脸识别算法研究

matlab曲线的颜色代码杂质查找器 用两种不同的方法（颜色直方图+ SVM或XGBoost）检测烟酒中杂质的软件实现。 作者：朱邦华， 陈丽人 宋金慧 介绍 ImpurityFinder是一种基于图像处理算法的解决方案，用于检测烟草中的杂质。 这是清华大学“统计信号处理”课程的项目之一。 请注意，为了运行我们的算法，您只需要下载测试文件夹。 火车文件夹可能由于图像分割而变大。 轻松入门： 安装所有依赖项后，可以直接进入测试文件夹并运行process_svm.sh或process_xgboost.sh。 管道和详细信息 在这里，我们提供了两个ImpurityFinder软件包。 在training文件夹中，我们提供了用于培训的所有源代码。 在测试文件夹中，提供了我们训练有素的分类器，以将烟草图像作为输入，并提供经过处理的图像作为输出。 依存关系 MATLAB R2015b（也可以在其他版本上运行，但仅对MATLAB R2015b进行了测试。） Python 2.7 适用于Python的OpenCV库（主页：安装指南：） 以下python包是必需的： 麻木 科学的 斯克莱恩 skimag

深度学习中的字母识别： Keras的深度神经网络模型

这是在深度学习工具箱中使用长短期记忆（LSTM）网络在接收器处实现符号分类以在OFDM系统中进行信号检测的示例。 基于 LSTM 的神经网络针对单个子载波进行训练，其中符号错误率 (SER) 被计算并与最小二乘 (LS) 和最小均方误差 (MMSE) 估计进行比较。 在此初步调查中，假设无线信道在离线训练和在线部署阶段是固定的。 为了测试神经网络的鲁棒性，对每个传输的 OFDM 数据包应用随机相移。 考虑了导频符号数量和循环前缀（CP）长度的影响。 要重新创建仿真结果，请加载相应的Mat文件并运行脚本Testing.m。 这段代码的想法受到论文的启发： H. Ye、GY Li 和 B. Juang，“OFDM 系统中信道估计和信号检测深度学习的力量”，IEEE 无线通信快报，第一卷。 7号1，第 114-117 页，2018 年 2 月。

matlab反投影代码dnn_xray 该代码包是用于X射线CT的神经网络的一种新颖应用。 在X射线CT中，目标是从传输数据中找到图像空间中的线性衰减系数。 解决此问题的常用方法是： 单发算法：考虑到源-探测器的几何结构是“定义明确的”，并且忽略了数据的随机性和噪声成分，我们可以通过诸如滤波反投影（FBP）之类的单发算法来找到图像系数。 迭代算法：我们假设一个模型（泊松或加权高斯模型）并迭代解决问题。 在这两种方法中，定义和使用图像和数据空间之间的连接的系统矩阵H是已知的。 在我们的方法中，我们正在寻找答案的问题是： 假设对于给定的固定几何体，我们有大量的图像数据对，那么我们是否可以学习数据与图像空间之间的高度非线性逆关系？ 如果我们了解到这一点，那么在速度/图像质量方面，我们是否能比最先进的方法做得更好？ 因此，我们首先使用MATLAB的radon变换生成了模拟数据，并假设控制比尔定律的真像的前向投影估计遵循Poisson分布，并以此方式生成了数据。 在生成数据集并将其分割后，在不提供任何有关系统的信息的情况下，我们训练了神经网络，其中图像作为输出，数据作为输入。 对于这种模拟情况，

运行 testDNN 试试！ 每个功能都包含说明。 请检查一下！ 它提供了堆叠受限玻尔兹曼机 (RBM) 的深度信念网络 (DBN) 的深度学习工具。 它包括 Bernoulli-Bernoulli RBM、Gaussian-Bernoulli RBM、用于无监督预训练的对比发散学习、稀疏约束、用于监督训练的反向投影和 dropout 技术。 MNIST 数据集的示例代码包含在 mnist 文件夹中。 请参阅 mnist 文件夹中的 readme.txt。 Hinton 等人，通过防止特征检测器的共同适应来改进神经网络，2012 年。 Lee 等人，视觉区域 V2 的稀疏深度信念网络模型，NIPS 2008。 http://read.pudn.com/downloads103/sourcecode/math/421402/drtoolbox/techniques/train_rbm.m__