shenduxuexi,Deep Convolutional Network Cascade for Facial Point Detection

Pytorch-图像分类 使用pytorch进行图像分类的简单演示。 在这里，我们使用包含43956 张图像的自定义数据集，属于11 个类别进行训练（和验证）。 此外，我们比较了三种不同的训练方法。 从头开始培训，微调的convnet和convnet为特征提取，用预训练pytorch模型的帮助。 使用的模型包括： VGG11、Resnet18 和 MobilenetV2 。 依赖关系 Python3，Scikit学习 Pytorch, PIL Torchsummary，Tensorboard pip install torchsummary # keras-summary pip install tensorboard # tensoflow-logging 注意：在训练之前将库更新到最新版本。 怎么跑 下载并提取训练数据集： 运行以下脚本进行训练和/或测试 python t

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

演示代码（请参阅jupyter笔记本）： 使用深度卷积自动编码器对地震信号进行非监督（自我监督）区分 您可以从这里获取论文： 连结1： 连结2： 您可以从此处获取训练数据集： 参考： Mousavi, S. M., W. Zhu, W. Ellsworth, G. Beroza (2019). Unsupervised Clustering of Seismic Signals Using Deep Convolutional Autoencoders, IEEE Geoscience and Remote Sensing Letters, 1 - 5, doi:10.1109/LGRS.2019.2909218.

可变形卷积的TensorFlow实现 这是以下论文的TensorFlow实现： 戴继峰，齐浩志，熊玉文，李毅，张国栋，韩寒，魏一辰。 2017。可变形卷积网络。 arXiv [cs.CV]。 arXiv。 该代码只能在。 旋转训练图 采样地点 基本用法 DeformableConvLayer是自定义的Keras图层，因此您可以像其他任何标准图层（例如Dense ， Conv2D一样使用它。 这是一个简单的示例： inputs = tf . zeros ([ 16 , 28 , 28 , 3 ]) model = tf . keras . Sequential () model . add ( DeformableConvLayer ( filters = 6 , kernel_size = 3 , strides = 1 , padding = 'valid' , dilat

使用生成式对抗学习的3D医学图像分割很少 该存储库包含我们在同名论文中提出的模型的tensorflow和pytorch实现： 该代码在tensorflow和pytorch中都可用。 要运行该项目，请参考各个自述文件。 数据集 选择了数据集来证实我们提出的方法。 它包含10个标记的训练对象和13个未标记的测试对象的3D多模式脑MRI数据。 我们将这10个标记的训练数据分为两个模型的训练，验证和测试图像。（例如，2,1和7）13个未标记的测试图像中的其余部分仅用于训练基于GAN的模型。 数据集也用于测试我们提出的模型的鲁棒性。 它包含3种模式（T1加权，T1加权反转恢复和FLAIR）。 原始数据

如果手动执行图像分类，则是一个复杂且耗时的过程，随着不同图像分类方法的实施，该过程可以自动化以获得高度准确的结果。 这篇综述文章提供了对各种图像分类方法的理解，重点是分类方法的概述和用于提高分类精度的技术。 此外，比较了各种分类方法，性能，优点和局限性。 这篇文献综述描述了不同类型的有监督，无监督和半监督分类方法，例如卷积神经网络，转移学习，支持向量机，k最近邻和随机森林算法。

UNet / FCN PyTorch 该存储库包含U-Net和FCN的简单PyTorch实现，这是Ronneberger等人提出的深度学习细分方法。 和龙等。 用于训练的合成图像/遮罩 首先克隆存储库并cd到项目目录。 import matplotlib . pyplot as plt import numpy as np import helper import simulation # Generate some random images input_images , target_masks = simulation . generate_random_data ( 192 , 192 , count = 3 ) for x in [ input_images , target_masks ]: print ( x . shape ) print ( x . m

深度学习 该文件夹包含我的各种AI和机器学习项目的深度学习模型。 长短期记忆（LSTM）卷积神经网络（CNN）ResNet50

使用PyTorch对预训练的卷积神经网络进行微调。 产品特点 可以访问ImageNet上经过预训练的最受欢迎的CNN架构。 自动替换网络顶部的分类器，使您可以使用具有不同类数的数据集训练网络。 使您可以使用任何分辨率的图像（不仅限于在ImageNet上用于训练原始模型的分辨率）。 允许添加一个Dropout层或一个自定义池层。 支持的架构和模型 从包中： ResNet（ resnet18 ， resnet34 ， resnet50 ， resnet101 ， resnet152 ） ResNeXt（ resnext50_32x4d ， resnext101_32x8d ） Dens