为实现对乳腺癌组织病理图像的准确自动分级,提出了一种改进的卷积神经网络,依次引入两种不同的卷积结构,以提高网络对病理图像的识别准确率。以深度残差网络(ResNeXt)为基础网络,用八度卷积(OctConv)替代传统卷积层,在特征提取阶段降低特征图中的冗余特征,提高了细节特征的提取效果;用异构卷积(HetConv)代替网络中的部分传统卷积层,以降低模型的训练参数。为了克服因数据样本较少出现的过拟合问题,采用一种基于图像分块思想的数据增强方法。实验结果表明,该网络在图像级别的四分类任务中准确率达到91.25%,表明所设计的网络模型具有较高的识别率和较好的实时性。

卷积神经网络代码Matlab 人工神经网络 使用空间光谱深度残差卷积神经网络（HSID-CNN）的用于高光谱图像降噪的Matlab演示代码，IEEE TGRS，2019。 By Qiang Zhang (whuqzhang@gmail.com) Wuhan University, China. 如果您在工作中使用/适应我们的代码（作为独立工具或任何算法的组成部分），请引用我们的论文。 Q. Yuan，Q. Zhang，J。Li，H。Shen和L. Zhang ，“使用空间光谱深度残差卷积神经网络进行高光谱图像降噪”， IEEE地理科学与遥感学报，第1卷。 57号2，第1205-1218页，2019年。 @ARTICLE{yuan2019, author={Q. {Yuan} and Q. {Zhang} and J. {Li} and H. {Shen} and L. {Zhang}}, journal={IEEE Trans. Geosci. Remote Sens.}, title={Hyperspectral Image Denoising Employing a Spatial

针对不可抗力因素造成无人机航拍绝缘子图片模糊、绝缘子目标检测率较低的问题，提出了一种基于Wasserstein距离优化的生成式对抗网络(WGAN)图片去模糊的绝缘子目标检测方法。首先在WGAN训练过程中引入残差网络，使得生成的绝缘子图片更加清晰；其次在损失函数中引入Wasserstein距离以保证训练过程的稳定性；最后通过优化模型的训练过程，使得生成的绝缘子图片细节还原度更高。绝缘子图片去模糊化实验结果表明，所提方法在结构相似性与峰值信噪比等评价指标上均高于基于卷积神经网络与深度多尺度卷积神经网络等图像去模糊算法。另外，将利用所提方法生成的绝缘子图片与模糊绝缘子图片划分为3组，采用改进的基于区域建议的卷积神经网络目标检测算法分别进行目标检测实验，精确度均值分别提高了5.77%、6.73 %与5.98 %，有效提高了绝缘子的目标检测率。

resnet_ssd_face_detection 说明        用 OpenCV 调用 Caffe 框架以及训练好的残差神经网络进行人脸检测     流程 加载模型     - .prototxt 为调用 .caffemodel 时的测试网络文件     - .caffemodel 为包含实际图层权重的模型文件

利用最小二乘法做线性回归，计算残差。

带你了解残差块和注意力机制的联合应用在医学细胞图像上，对他进行分割，给出简单明了的展示，让你一步步进入医学人工智能的殿堂

画残差图的matlab代码 OCT-classification 运行环境 MATLAB R2017a Python 3.7 Pytorch 1.1.0 提取码：psgi 代码结构 BM3D BM3D.m MATLAB版本BM3D去燥程序 BM3D_progress.m 该代码加载数据集，选择处理的图片路径和数量 ImageProcess ImagePreprocess.py 图像预处理程序 BM3D.py Python版本BM3D去燥程序 Binaryzation.py 图像填充，阈值过滤 MedianFilter.py 中值滤波，保留图像最大连通域 MorphologicalOpening.py 形态学开运算 MorphologicalClosing.py 形态学闭运算 Fitting.py 线性拟合和二阶多项式拟合 Normalization.py 归一化，裁剪 FeatureExtraction SIFT.py 使用SIFT和K-Means方法进行特征提取，训练支持向量机、随机森林进行图像分类 Predict.py 支持向量机、随机森林进行图像分类预测 ResNet base_

FCRN：全卷积残差网络深度估计 Laro，Iro等人的Pytorch实现。 “具有完全卷积残差网络的更深深度预测。” 3D Vision（3DV），2016年第四届国际会议。 IEEE，2016年。 原始实现在TensorFlow（ ）中。 要运行，请执行以下步骤： 下载NYU深度数据集V2标记的数据集： : 。 从Laina等人的模型的一部分下载经过预训练的TensorFlow权重作为.npy文件。 来自 。 将以上两个文件与代码放在同一目录中。 运行train.py进行训练，运行test.py评估结果。 一些结果（rgb图像，地面真实情况，预测深度）：

图像去噪是数字图像处理中最基本的研究内容, 也是一项十分关键的技术, 一直以来是图像处理领域的难点。图像去噪的好坏直接影响后续图像边缘检测、特征提取、图像分割和模式识别等图像处理。为有效去除乘性噪声的影响, 提出一种深度残差学习的乘性噪声去噪方法。该方法通过引入残差优化, 解决了卷积神经网络在层数较多时, 随着层数加深, 梯度在传播过程中逐渐消失的问题。与4种经典去噪算法进行比较, 结果表明, 该方法在有效去除乘性噪声的同时, 可以更好地保留图像的边缘和纹理区域的细节信息, 为后续的图像分割、配准和目标识别等奠定基础。

在使用回归分析的考虑因素中，异常值或错误值会严重干扰最小二乘拟合。 它们与其余数据所暗示的线相差甚远。 如果这些点确实是异常值，那么截距的估计可能不正确，残差均方可能是对真实方差的夸大估计。 有一些缩放残差的方法可用于查找异常值的观测值。 其中之一是外部学生化残差，通常称为 R-student。 它基于这样一个事实，即 MSRes 是通过将模型拟合到所有 n 个观测值而获得的方差的内部生成估计，并且有必要根据删除了第 i 个观测值的数据集进行估计。 该统计量遵循学生 t 分布。 但是可以使用 Bonferroni 类型的方法并将 t_i 的所有 n 个值与 t_(alpha/2*n),np-1 进行比较，以提供有关异常值的指导。 输入： D - 矩阵数据 (=[XY])（最后一列必须是 Y 相关变量）。 （X 独立变量条目可以是简单的 [X]、多个 [X1,X2,X3,...Xp] 或