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！
2022-04-05 21:08:42
498KB
1
本文主要介绍如何使用python搭建：一个基于深度残差网络（ResNet）的水果**图像分类识别系统**。
项目只是用水果分类作为抛砖引玉，其中包含了使用ResNet进行图像分类的相关代码。主要功能如下：
- 数据预处理，生成用于输入TensorFlow模型的TFRecord的数据。
- 模型构建及训练，使用tensorflow.keras构建深度残差网络。
- 预测水果分类并进行模型评估。
***如各位童鞋需要更换训练数据，完全可以根据源码将图像和标注文件更换即可直接运行。***
博主也参考过网上图像分类的文章，但大多是理论大于方法。很多同学肯定对原理不需要过多了解，只需要搭建出一个预测系统即可。
**本文只会告诉你如何快速搭建一个基于ResNet的图像分类系统并运行，原理的东西可以参考其他博主**。
也正是因为我发现网上大多的帖子只是针对原理进行介绍，功能实现的相对很少。
如果您有以上想法，那就找对地方了！
2022-02-09 09:13:47
588.11MB
结合VGG和残差网络实现工业零件的缺陷检测，基于keras和tensorflow可以直接运行使用
2022-02-02 12:16:55
13KB
堆场烟雾检测对于火灾预警、保障人员与财产安全具有重要意义。针对传统烟雾检测方法特征提取不充分，误报率偏高以及稳健性较差的问题，提出一种基于并行深度残差网络的堆场烟雾检测方法。该方法利用目标场景烟雾RGB图像的R、G、B分量以及图像HSI变换的H、S、I分量构建并行深度残差网络，自适应获得烟雾特征；同时通过样本扩边、负样本强化学习策略来加强模型对类烟物体的判别能力。实验结果表明，该算法能有效降低因类烟物体产生的误报率，且提升了网络的检出率和稳健性。
2021-12-30 21:40:56
6.01MB
1
深度预测
使用深度残差网络进行深度预测。
@ iro-cp的原始代码和论文在这里找到： :
@iapatil的此版本也为我提供了帮助，可在此处找到： :
写在PyTorch中。 要运行，请从下载预训练的numpy权重并将其保存在当前目录中。
然后，激活PyTorch环境并运行
python predict.py
输出将另存为output_image.png 。
我的文章详细介绍和实现可以在找到。
2021-11-08 23:01:05
10KB
1
卷积神经网络代码Matlab
人工神经网络
使用空间光谱深度残差卷积神经网络（HSID-CNN）的用于高光谱图像降噪的Matlab演示代码，IEEE
TGRS，2019。
By
Qiang
Zhang
(whuqzhang@gmail.com)
Wuhan
University,
China.
如果您在工作中使用/适应我们的代码（作为独立工具或任何算法的组成部分），请引用我们的论文。
Q.
Yuan，Q.
Zhang，J。Li，H。Shen和L.
Zhang
，“使用空间光谱深度残差卷积神经网络进行高光谱图像降噪”，
IEEE地理科学与遥感学报，第1卷。
57号2，第1205-1218页，2019年。
@ARTICLE{yuan2019,
author={Q.
{Yuan}
and
Q.
{Zhang}
and
J.
{Li}
and
H.
{Shen}
and
L.
{Zhang}},
journal={IEEE
Trans.
Geosci.
Remote
Sens.},
title={Hyperspectral
Image
Denoising
Employing
a
Spatial
2021-11-04 10:35:55
11.3MB
1
图像去噪是数字图像处理中最基本的研究内容, 也是一项十分关键的技术, 一直以来是图像处理领域的难点。图像去噪的好坏直接影响后续图像边缘检测、特征提取、图像分割和模式识别等图像处理。为有效去除乘性噪声的影响, 提出一种深度残差学习的乘性噪声去噪方法。该方法通过引入残差优化, 解决了卷积神经网络在层数较多时, 随着层数加深, 梯度在传播过程中逐渐消失的问题。与4种经典去噪算法进行比较, 结果表明, 该方法在有效去除乘性噪声的同时, 可以更好地保留图像的边缘和纹理区域的细节信息, 为后续的图像分割、配准和目标识别等奠定基础。
2021-10-22 22:39:09
14.32MB
1