可变形卷积网络的官方实现，Deformable Convolutional Networks

根据深度学习的原理，用pytorch实现猫狗分类算法，识别率98%。时间在20ms内。利用自己修改的卷积神经网络实现的，值得学习的好例子

时间序列预测——时序卷积网络中用到的tcn库文件。

pytorch-fcn PyTorch实现。 要求 > = 0.2.0 > = 0.1.8 > = 6.1.5 安装 git clone https://github.com/wkentaro/pytorch-fcn.git cd pytorch-fcn pip install . # or pip install torchfcn 训练 参见。 准确性 在10fdec9 。 模型 实作 时代 迭代 平均IU 预训练模型 FCN32 -- -- 63.63 FCN32 我们的 11 96000 62.84 FCN16 -- -- 65.01 FCN16 我们的

SCI论文中所用代码，数据加程序，使用时间卷积网络建立预测模型进行预测，比LSTM、CNN等效果精确。

针对传统裂缝图像分割方法不能准确提取混凝土表面裂缝的难题,提出了一种改进的轻量级全局卷积网络的路面裂缝图像分割模型。根据深度卷积网络原理,使用大卷积核对裂缝图像进行分类和定位,针对裂缝特征构建轻量级的语义分割MobileNetv2-GCN模型。实验对比结果表明,该模型在三个公开裂缝数据集上都表现出优越的性能。采用中轴骨架算法提取语义分割后的裂缝骨架,计算裂缝平均宽度的物理值,其实验结果具有较高的准确性,可为公路健康检测提供可靠的数据支持。

通过卷积网络和结构化输出SVM进行对象跟踪

从GitHub搬运过来的资料

使用TCN模型实现 MNIST 数据集分类，就最后一层一维空洞卷积的输出是否为序列，使用两种方法实现，分别接Flatten层和Lambda层

用于半监督分类的图形卷积网络（GCN）的PyTorch实现