用于真实图像超分辨率的深循环生成对抗性残差卷积网络（SRResCycGAN） 网络的官方PyTorch实现，如论文。 这项工作以高x4放大系数参加了挑战赛道3。 抽象的 最近基于深度学习的单图像超分辨率（SISR）方法主要是在干净的数据域中训练其模型，其中低分辨率（LR）和高分辨率（HR）图像来自无噪声设置（相同域）到双三次降采样假设。 但是，这种降级过程在实际环境中不可用。 我们考虑到深度循环网络结构，以保持LR和HR数据分布之间的域一致性，这是受CycleGAN在图像到图像翻译应用程序中最近成功的启发。 通过以端对端方式从LR到HR域转换的生成对抗网络（GAN）框架进行训练，我们提出了超分辨率残留循环生成对抗网络（SRResCycGAN）。 我们在定量和定性实验中证明了我们提出的方法，该方法很好地推广到了真实图像的超分辨率，并且很容易部署到移动/嵌入式设备中。 此外，我们在AIM 2

基于电离层残差法的周跳探测和修复方法研究，赵义春，秦滔，在GPS载波相位测量中，周跳探测和修复是需要解决的关键问题之一，本文深入分析了周跳产生的原因和特性以及电离层残差检测量的构造

将灰色理论和Markov预测方法用于中国粮食产量的预测。运用灰色关联分析,从众多影响粮食产量的因素中确定了影响粮食产量的主要因素为:乡村从业人员、农作物有效灌溉面积、粮食作物播种面积、受灾面积。以粮食产量作为特征变量,以影响粮食产量的主要因素作为选定变量构建了粮食产量的灰色GM(1,5)预测模型,并对我国粮食产量进行拟合和预测。为了捕获粮食产量时间序列的随机波动性,使用马尔可夫模型对GM(1,5)模型的残差进行修正,以便改善预测精度。实例结果:事后检验阶段GM(1,5)模型的平均绝对百分比误差为15.45

ResNet网络结构模块，可直接使用，返回值一个是loss用于损失值优化，第二个softmax输出的是预测值用于测试

如果对代码有疑问可以看一下我的博客《Pytorch 实现自己的残差网络图片分类器》和压缩包中的README.docx。也欢迎大家在博客下面提问或者指出文中的错误，谢谢大家。

这是今年imageNET测试top1程序

Code for the Pose Residual Network introduced in 'MultiPoseNet: Fast Multi-Person Pose Estimation using Pose Residual Network (ECCV 2018)' paper

1.由来： 由google2015年提出，深度神经网络训练的技巧，主要是让数据的分布变得一致，从而使得训练深层神经网络更加容易和稳定。 2.作用 BN的作用就是将这些输入值或卷积网络的张量进行类似标准化的操作，将其放缩到合适的范围，从而加快训练速度；另一方面使得每一层可以尽量面对同一特征分布的输入值，减少了变化带来的不确定性 3.操作阶段 4.操作流程 计算每一层深度的均值和方差 对每一层设置2个参数，γ和β。假设第1深度γ=2、β=3；第2深度γ=5、β=8。 使用缩放因子γ和移位因子β来执行此操作。 随着训练的进行，这些γ和β也通过反向传播学习以提高准确性。这就要求为每一层学习2个

针对医学图像分割中网络深度过深和上下文信息欠缺导致的分割精度降低等问题,提出了一种基于改进U-Net的磁共振成像(MRI)脑肿瘤图像分割算法。该算法通过嵌套残差模块和密集跳跃连接组成一种深度监督网络模型。为了减小编码路径和解码路径特征图之间的语义差距,将U-Net中的跳跃连接改为多类型的密集跳跃连接;为了解决网络过深导致的退化问题,加入残差模块,以防止网络梯度消失。实验结果表明,本算法分割肿瘤整体、肿瘤核心、增强肿瘤的Dice系数分别为0.88、0.84、0.80,满足临床应用的需求。

在之前的残差模块中bn的使用在激活函数之后，修改后在激活之前，并且在使用残差模块时一般在其之前会有一个卷积（池化可以有也可没有），在之后会有一个平均池化，这次的测试进行了修改，并且有一定效果