数学资料

深度学习在图像处理中的应用教程 前言 本教程是对本人研究生期间的研究内容进行整理总结，总结的同时也希望能够帮助更多的小伙伴。 本教程会以视频的方式进行分享，教学流程如下： 1）介绍网络的结构与创新点2）使用Pytorch进行网络的建造与训练3）使用Tensorflow（内部的keras模块）进行网络的建造与训练 教程目录，单击重新相应视频（后续会根据学习内容增加） 图像分类 LeNet（已​​完成） AlexNet（已​​完成） VggNet（已​​完成） GoogLeNet（已​​完成） ResNet（已​​完成） ResNeXt（已完成） MobileNet（已​​完成） ShuffleNet（已​​完成） 目标检测篇 Faster-RCNN / FPN（进行中） SSD / RetinaNet（进行中） YOLOv3 SPP（进行中） 目标分割 所需环境 Anaconda3（建

DicomToolboxMatlab：从MATLAB中的CT和RT Dose DICOM文件导入，可视化和提取图像特征

像素艺术 产生像素艺术的工具。 用法 首先，安装requirements.txt中列出的python库 pip3 install -r requirements.txt 对于视频处理，您还需要moviepy库。 该方向尚未经过测试和正确开发。 您可以在命令行和Web界面中使用该工具。 要使用CLI调用，请调用main.py： usage: main.py [-h] [--right_pecrentile RIGHT_PECRENTILE] [--left_pecrentile LEFT_PECRENTILE] [--magnify] [--interla

原文标题是：Introduction to the special issue on partial differential equations and geometry-driven diffusion in image processing and analysis 1998年，学者们首次较为系统地将机器学习+PDE用于Image processing

C＃库，用于在JPEG图像文件中读写EXIF标签

使用Python和Opencv实现智能图像处理的入门级教程 附带示例

本书介绍图像处理知识，并用matlab进行了实现。无论对于matlab使用者，还是图像处理工作者，都是值得参考的书籍。

医学图像的语义分割 Unets在Keras X线片中肺分割的实现 关键细节 用Keras实现Unet 基于工作 从获得的用于训练的分段数据 物品 细节 输入 256 x 256灰度X射线图像 输出 256 x 256分割图 火车图像 110 手动火车口罩 110 验证图片 28岁 手动验证蒙版 28岁 感谢为的keras实现 改进了在keras中与图像生成器一起动态运行并在训练时进行扩充的功能 依存关系 凯拉斯2.1.5 脾气暴躁的1.14.2 OpenCV2.4.9.1 只是用它来写和调整图像大小 如果愿意，可以用PIL代替 注意事项 运行时，请确保X射线和图像位于单独的文件夹中并具有相同的标签 在data /中遵循类似的文件夹层次结构可以使您的工作更轻松；） 奔跑的Unets # Initialize the Unet u1 = Unet () # Round one

pytorch-CycleGAN 一个清晰易读的CycleGAN的Pytorch实现（ ） 先决条件 该代码旨在与Python 3.6.x ，尚未在以前的版本中进行过测试 按照的说明进行当前设置 在漂亮的Web浏览器视图中绘制损耗图并绘制图像 pip3 install visdom 训练 1.设置数据集 首先，您需要下载并设置数据集。 最简单的方法是使用UC Berkeley信息库中已经存在的数据集之一： ./download_dataset 有效的<数据集名称>是：apple2orange，summer2winter_yosemite，horse2zebr