肺癌是一种世界性的高发疾病，死亡率更是居高不下。早发现，早治疗是提高肺癌的治愈率和延长患者生命周期的重要手段，而肺结节是肺癌早期的主要表现形式，因此，对肺结节的早期诊断分析是提高肺癌患者生存率的关键。利用计算机断层扫描技术（Computed Tomography, CT）筛查肺结节是目前通常采用的诊断方法。随着患者的日益增多，肺部 CT 数据也在呈指数级地增长，无疑给医师的人工筛查工作带来了巨大的挑战和负担，因此使用计算机辅助诊断（Computer Aided Diagnosis, CAD）技术进行肺结节检测分割十分必要，能极大的提高医师的诊断效率并进一步提高肺癌诊断的准确率。 由于肺结节在尺寸、形状上的多变性以及与肺部血管等组织的相似性。在使用传统分割方法进行肺结节分割时，过于依赖医师的先验知识及主观判断，导致容易出现漏分割和过分割的情形。利用深度学习算法的分割过程不再需要人为选择特征，并且能够提取到更具体、更有辨识度的信息，将深度学习算法用于医学图像分割现已成为一个重要的研究方向。U-Net 网络因结构简单、泛化能力强，已广泛应用于医学图像处理领域。

基于深度学习的知识追踪研究进展论文总结

Python基于深度学习和opencv的车牌识别系统源码 Python基于深度学习和opencv的车牌识别系统源码 Python基于深度学习和opencv的车牌识别系统源码 Python基于深度学习和opencv的车牌识别系统源码 Python基于深度学习和opencv的车牌识别系统源码 Python基于深度学习和opencv的车牌识别系统源码 Python基于深度学习和opencv的车牌识别系统源码 Python基于深度学习和opencv的车牌识别系统源码 Python基于深度学习和opencv的车牌识别系统源码 Python基于深度学习和opencv的车牌识别系统源码 Python基于深度学习和opencv的车牌识别系统源码 Python基于深度学习和opencv的车牌识别系统源码 Python基于深度学习和opencv的车牌识别系统源码 Python基于深度学习和opencv的车牌识别系统源码 Python基于深度学习和opencv的车牌识别系统源码 Python基于深度学习和opencv的车牌识别系统源码 Python基于深度学习和opencv的

Python基于深度学习的中文语音识别系统源码.zip

基于深度学习高性能中文车牌识别.zip

人工智能-项目实践-图像识别-基于深度学习的肿瘤辅助诊断系统 以图像分割为核心，利用人工智能完成肿瘤区域的识别勾画并提供肿瘤区域的特征来辅助医生进行诊断。有完整的模型构建、后端架设和前端访问功能。 系统以图像分割为核心，利用人工智能完成肿瘤区域的识别勾画并提供肿瘤区域的特征来辅助医生进行诊断。有完整的模型构建、后端架设和前端访问功能。 医生只需通过web上传ct图像文件，后台就会使用训练好的模型进行肿瘤区域的分割，然后将勾画好肿瘤区域的图像返回，还有肿瘤区域的一些特征（如面积、周长、强度等），并且提供前几次诊断的特征数据并绘制成图表进行对比来辅助医生诊断。

人工智能-项目实践-图像识别-基于深度学习的图像超分辨率重建及其在医学影像上的应用 前言 介绍图像超分辨率问题、研究现状、前景，介绍在医学图像上进行超分辨率的重要性。 自然图像上的超分辨率研究 在 DIV2K 数据集（800 train + 100 val）进行实验。选取 baseline 模型为 ESPCN、DWSR、EDSR。针对这些模型的不足之处，提出改进：使用小波 + U-Net + 感知损失多任务学习的 LU-MWCNN模型，达到超越 baseline 的效果。 医学图像上的超分辨率应用 在 DeepLesion 数据集（CT 图像）的 Key_slices 上进行实验，同样与 baseline 模型进行对比。提出 CT-LPIPS，利用一个类 VGG 网络训练。 医学图像超分辨率平台开发 以 CT 图像为例，搭建 Web 服务，借助 Cornerstone.js 库，医生可预览 DICOM，或将图像发送至后端重建服务，以获得超分辨完成的结果。后端采用 Flask + PyTorch 进行部署和实时推理。 总结

基于深度学习分位数回归模型的风电功率概率密度预测.pdf

基于深度学习的机器翻译研究进展基于深度学习的机器翻译研究进展基于深度学习的机器翻译研究进展

基于深度学习的课堂教学行为分类研究，宋志海，李青，深度学习正在改变许多传统研究的工作方式，教育领域亦不例外。本文从课堂教学行为的分类研究入手，首先对当前研究的现状进行了研