当Microsoft Research发布用于图像识别的深度残差学习时，深度残差网络席卷了深度学习领域。这些网络在ImageNet和COCO 2015竞赛的所有五个主要赛道中均获得了第一名的入围作品，这些竞赛涵盖了图像分类，对象检测和语义分割。此后，ResNets的鲁棒性已被各种视觉识别任务和涉及语音和语言的非视觉任务证明。 压缩包内包含以下参考文档： 1、深度残差学习以进行图像识别— ResNet（Microsoft Research） 2、广泛的残留网络（巴黎埃斯特大学，巴黎高等技术学校） 3、聚集残余转换为深层神经网络- ResNeXt（Facebook的AI研究）

针对现有基于深度学习的图像超分辨率重建方法，其对细节纹理恢复过程中容易产生伪纹理，并且没有充分利用原始低分辨率图像丰富的局部特征层信息的问题，提出一种基于注意力生成对抗网络的超分辨率重建方法.该方法中生成器部分是通过注意力递归网络构成，其网络中还引入了密集残差块结构.首先，生成器利用自编码结构提取图像局部特征层信息，并提升分辨率；然后，通过判别器进行图像修正，最终将图像重建为高分辨率图像.实验结果表明，在多种面向峰值信噪比超分辨率评价方法的网络中，所设计的网络表现出了稳定的训练性能，改善了图像的视觉质量，同时具有较强的鲁棒性.

针对电离层残差法探测和修复周跳的多值性问题，基于实测数据分析了使用相位减伪距法和载波相位变化率法解决问题的可行性、方法、步骤及效果。研究表明，这两种联合算法都能正确地探测和修复周跳，且具有简单有效的特点。

关于PyTorch 1.2.0 现在，master分支默认支持PyTorch 1.2.0。 由于严重的版本问题（尤其是torch.utils.data.dataloader），MDSR功能被暂时禁用。 如果您必须训练/评估MDSR模型，请使用旧版分支。 EDSR-PyTorch 关于PyTorch 1.1.0 1.1.0更新进行了较小的更改。 现在，我们默认情况下支持PyTorch 1.1.0，如果您喜欢旧版本，请使用旧版分支。 该存储库是CVPRW 2017，第二版NTIRE的PyTorch官方实现，其论文为“用于单图像超分辨率的增强型深度残差网络” 。 您可以从找到原始代码和更多信息。 如果您发现我们的工作对您的研究或出版物有用，请引用我们的工作： [1] Bee Lim，Sanghyun Son，Heewon Kim，Seungjun Nah和Kyoung Mu Lee

针对目前卷积神经网络的超分辨率算法存在卷积层数少、模型简单、计算量大、收敛速度慢以及图像纹理模糊等问题, 提出了一种基于深层残差网络的加速图像超分辨率重建方法, 该方法在提高图像分辨率的同时加快收敛速度。设计更深的卷积神经网络模型来提高精确度, 通过残差学习并且使用Adam优化方法使网络模型加速收敛。在原始低分辨率图像上直接进行特征映射, 只在网络的末端引入子像素卷积层, 将像素进行重新排列, 得到高分辨率图像。实验结果表明, 在set 5, set 14, BSD100测试集上, 所提算法的峰值信噪比与结构相似性指数均高于现有的几种算法, 能够恢复更多的图像细节, 图像边缘也更加完整且收敛速度更快。

基于ResNet残差神经网络的图像隐藏信息识别模型.zip 基于ResNet残差神经网络的图像隐藏信息识别模型.zip 基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于

实验内容如下： 进行二维卷积实验，选做空洞卷积和残差卷积实验； 熟练的掌握卷积神经网络的基本操作； 卷积神经网络的组织架构； 卷积神经网络各参数对其有哪些影响； 空洞卷积和残差卷积的基本原理； 手动和PyTorch.nn两种方式实现卷积神经网络的编程； 压缩包包含内容： torch.nn实现二维卷积车辆分类实验 不同超参数对比 残差卷积实验 空洞卷积实验 前馈神经网络实现车辆分类实验 手动二维卷积实现车辆分类 实验设计说明书。

ResNet残差网络原版论文，已标注重点

cifar10文件夹：包括了cifar10原数据库 kaggle文件夹：包括了在kaggle上训练好的模型，以及日志文件 model文件夹：包括了本地cpu训练好的模型 src文件夹：kaggle_tensorboard.py: 用于使用tensorboard展示kaggle上训练的日志 model.py: 神经网络模型 res_model：残差网络模型 有问题就发邮件。GuanlinLi_BIT@163.com

标准化残差 如果起初的假定为真，标准化残差应服从标准正态分布，则应有约95%的标准化残差介于-2和+2之间。 一个随机变量减去它的均值，再除以它的标准差，就得到了标准化的随机变量。由最小二乘法的性质，残差的均值为零，所以每一个残差除以它的标准差，就得到了标准化残差。 第 I 个观测值的标准化残差= —第 i 个残差的标准差 —第 i 个观测的杠杆率 —估计量的标准误差（ 残 ）的平方根 标准化残差图