提出了一种基于改进的深度残差网络（residual network，ResNet）的表情识别算法。采用小卷积核和深网络结构，利用残差模块学习残差映射解决了随着网络深度增加网络精度下降的问题，通过迁移学习方法克服了因数据量不足导致训练不充分的缺点；网络架构使用了线性支持向量机（SVM）进行分类。实验中首先利用ImageNet数据库进行网络参数预训练，使网络具有良好的提取特征能力，根据迁移学习方法，利用FER-2013数据库以及扩充后的CK+数据库进行参数微调和训练。该算法克服了浅层网络需要依靠手工特征，深层网络难以训练等问题，在CK+数据库以及GENKI-4K数据库上分别取得了91.333%和95.775%识别率。SVM在CK+数据库的分类效果较softmax提高了1%左右。

壁画图像具有结构细节丰富,纹理复杂、色彩多变的特点,而基于卷积神经网络的图像超分辨率算法重建的壁画图像存在纹理模糊和边缘锯齿效应的问题。因此,提出了一种基于多尺度残差注意力网络的壁画图像超分辨率重建算法。首先,通过多尺度映射单元,用不同尺度的卷积核直接对低分辨率壁画图像进行特征提取;然后,将融合后的特征图输入残差通道注意力块,使网络从全局信息出发对各个特征图进行权值优化,增强网络模型的深度映射能力;最后,在网络末端引入亚像素卷积层,重新排列像素,得到重建的高分辨率壁画图像。实验结果表明,本算法可以减小重建误差,增强重建壁画图像的边缘及结构信息,使重建的壁画图像纹理细节更丰富。

vs项目，代码难度并不是很高，使用TensorFlow原生的代码，不过是本人毕设的一套代码，读取文件夹的文件的图片为批次，然后使用批次调用深度残差网络进行训练，并进行保存。压缩包里包含了测试代码，因为本人的是文字识别所以用到了的预处理是关于文字的，样本集在我其他链接里。欢迎测试！

参考链接：https://blog.csdn.net/OEMT_301/article/details/107094664。该代码可以在普通VGG网络中随意添加残差层，方便建立自己的网络模型。

为了解决基于深度学习的高光谱图像分类方法对于小样本数据分类精度低的问题,提出了一种基于多尺度残差网络的分类模型。该模型通过在残差模块中加入分支结构,分别构造了基于光谱特征和空间特征的提取模块,实现了空间特征和光谱特征的多尺度提取融合,充分利用了高光谱图像中丰富的空谱信息。此外,所提模型使用了动态学习率、批归一化以及Dropout等来提高计算效率和防止过拟合。实验结果表明,该模型在Indian Pines和Pavia University数据集上分别取得了99.07%和99.96%的总体分类精度,与支持向量机和现有的深度学习方法相比,所提模型有效地提高了针对小样本高光谱图像的分类性能。

ResNet 论文：Deep Residual Learning for Image Recognition Motivation：网络越深，能获取的信息越多，而且特征也越丰富。但是根据实验表明，随着网络的加深，优化效果反而越差，测试数据和训练数据的准确率反而降低了（网络退化）。为了让更深的网络也能训练出好的效果，何凯明大神提出了一个新的网络结构——ResNet。这个网络结构的想法主要源于VLAD（残差的想法来源）和Highway Network（跳跃连接的想法来源）。 ResNet Block 残差学习模块包括identity mapping和residual mapping，其中前者指的

基于传统BP神经网络的变压器故障诊断方法，当网络模型达到一定的深度时，模型的诊断性能会趋向于饱和，无法进一步提升网络模型的诊断性能，此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外，在小样本数据下，传统BP神经网络仍无法取得较好的诊断准确率。因此，为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能，提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度，将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时，在每个残差网络模块中，模块的输入信息可以在模块内跨层传输，使得每个模块的输入信息可以更好地向深层网络传递，从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明，相较于传统深层BP神经网络和传统浅层BP神经网络，所提方法具有更高的诊断准确率，同时在小样本数据下也体现出较好的诊断性能。

使用对抗生成网络，来实现超分辨率。使用imagenet的部分数据。摒弃了用均方误差和信噪比来优化参数。

学生课堂行为识别旨在识别学生在课堂上的行为表现，反映课堂教学质量。针对目前卷积神经网络在随着网络层数加深表现出来的性能退化的问题，提出基于残差结构的深度残差网络。通过搭建学生课堂行为识别数据集，训练深度残差网络，使网络成功识别出上课、睡觉、玩手机、做笔记、看书、东张西望等行为。将深度残差网络与深度卷积神经网络在该数据集上的准确率进行对比，实验结果表明前者拥有更好的网络识别性能。

主要介绍了tensorflow实现残差网络方式(mnist数据集)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧