伪三维残差网络（P-3D）的pytorch版本，支持预训练模型...........................................

应用马尔可夫状态转移矩阵对残差灰色预测模型进行了改进，结果表明，改进的预测模型精度较高，比传统灰色模型预测效果好。

这是发表在SCI期刊的残差注意力图像融合论文及源码。下载解压后直接运行。

博客见：https://blog.csdn.net/qq_37534947/article/details/109727232，主要是空洞卷积以及残差网络的代码实现，包含数据集，框架是pytorch

残差网络resnet50的深度学习模型权重文件，可作为预训练模型，提升学习效率

res-net50-预训练模型，可用（resnet50-19c8e357.pth）

批量归一化（BatchNormalization） ps 批量归一化本质上是对数据的标准化处理，输入标准化一般用于浅层模型，但是对于深层网络，输入的标准化不够，因为随着模型的迭代更新，依然容易造成靠近输出层，它的数据是剧烈变化的。所以批量归一化的出现是应对深度模型的。 对输入的标准化（浅层模型） 处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。 标准化处理输入数据使各个特征的分布相近 批量归一化（深度模型） 利用小批量上的均值和标准差，不断调整神经网络中间输出，从而使整个神经网络在各层的中间输出的数值更稳定。 1.对全连接层做批量归一化 （形状 m×d，对m个元素做批量归一化）

本代码是deeplabv3的一个复现，进入代码后数据集可以直接输入 python download.py 下载数据集，下载之后可以输入 python train.py即可运行，输入python test_demo.py可以先测试一下，均可直接运行

使用OpenCV深度学习模型残差网络（ResNet）人脸检测，实现了静态图像人脸检测和实时视频流人脸检测

为了缓解传统拜耳型去马赛算法中常出现的拉链和伪影等问题,提出一个新颖的基于深度学习的去马赛克算法。所提算法首先对马赛克图像中的红色、绿色及蓝色通道中的像素进行分解、剔除及组合等操作得到两幅彩色图像,然后将这两幅彩色图像输入到设计的卷积神经网络中,以重建出完整的彩色图像,该网络能充分地利用卷积层所生成的特征信息。实验结果表明,所提算法重建出的完整彩色图像的质量相对较高,并且在一定程度上缓解了拉链和伪影等问题,其客观指标和主观评价都优于对比算法。