随着大数据的引入及其在图像采购设备中的惊人进步，将医学数据转换为有价值的知识已成为生物信息学领域的重要挑战。 采购的医学图像需要对图像进行大量分析和诊断，这可以使用人工智能技术（例如机器学习和深度学习）来完成，这些技术可以提供自动诊断解决方案。 深度学习方法可以为医学图像诊断提供优化和精确的解决方案，并且可以作为即将到来的医疗保健应用的重要方法。 本文将讨论一些当代深度学习神经网络及其在各种疾病检测中的应用。

DNN-CNN-and-RNN的语音去噪程序

利用百度api判断中文语句的通顺程度，如果一个句子很通顺，更像我们平时常见的句子，那么他的得分会比较低，相反如果句子不通顺，得分就很很高，可以通过设置分数阈值来分析句子的合理性

带有OpenCvSharp4的YOLO3 这是使用C＃通过shimat的实现pjreddie的的演示。 更多详细信息，请查看artile博客： 结果

data文件夹中的图片文件没有传上来，因为太大了，可以自行下载补充图片

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，

jetson平台下 opencv_dnn 的完美应用 含makefile 代码例子和完整依赖库

jetson平台 opencv4.5.3 cuda10.2完整依赖，直接解压到/usr下 jtop 可以直接检测到 当然cuda版本是依赖10.2的 低版本没有测试

matlab最简单的代码DNN_detection_via_keras 这是使用keras的OFDM系统中用于信道估计和信号检测的深度学习功能的最简单实现。 我尽力简化了代码，以便每个人都可以轻松地遵循它。 可以参考原始的tensorflow版本代码。 与其他框架（例如tensorflow，pytorch ， MXNet等）相比，此keras版本是最简单的实现。 一些参考 根据许多读者的评论，我写了一个本文的简单博客，这可能对中国研究者了解本文的主要思想有帮助，您可以在以下网址找到该博客： 第一的 该问题已解答了一些常见问题，希望能对您有所帮助。 此外，如果这项工作对您有帮助，请加注星标或分叉该仓库以支持我。 要求 tensorflow-gpu> = 1.12.0因为代码是在tensorflow 2.0发布之前编写的。 数据集 我已将所需的数据集上传到 密码： 1234 正如一些读者所提到的，我还提供了for Google驱动程序。 这些是通过保存从原始提供的.txt文件加载的numpy数组生成的。 然后，直接将channel_train.npy和channel_test.npy移至当