深度卷积神经网络在计算机视觉中的应用深度卷积神经网络在计算机视觉中的应用深度卷积神经网络在计算机视觉中的应用

Classification of Hyperspectral Images by Gabor Filtering Based Deep Network代码minFunc matlab和drtoolbox。minFunc matlab和 drtoolbox 分别为www.di.ens.fr/~mschmidt/Software/minFunc.html

文献阅读（37）的原文，文章主要是机器学习和深度学习在糖网方面的应用。 文章核心：眼底图像经过传统方法增强后，使用一个简短的深度卷积神经网络对糖网进行分类。其中使用的传统的图像增强方法是HE和CLAHE

深度卷积神经网络以多层次的特征学习与丰富的特征表达能力，在目标检测领域取得了突破进展。概括了卷积神经网络在目标检测领域的研究进展，首先回顾传统目标检测的发展及存在的问题，引出卷积神经网络的目标检测基本原理和基本训练方法；然后分析了以R-CNN为代表的基于区域建议的目标检测框架，介绍以YOLO算法为代表的将目标检测归结为回归问题的目标检测框架；最后，对目前目标检测的一些问题进行简要总结，对未来深度卷积神经网络在目标检测的发展进行了展望。

深度学习取得成功的一大关键因素是网络上海 量可用的数据．当前，在工程应用及生物神经领域存 在有指数增长的海量复杂数据，以文字、图片、视频、 音频、基金数据等不同模态呈现出来，具有绝然不同 的数据分布．这对神经网络模型的训练复杂度、参数 选取、结构设计、时间复杂度等方面的平衡都带来了 新的挑战．因此，如何充分利用大数据来设计更具有 特征表达能力的神经网络模型，还值得进一步研究．

多视图深度卷积神经网络进行高分辨率乳腺癌筛查 介绍 这是用于分类的模型的实现，如我们的论文。 该实现使用户可以通过将我们的预训练CNN模型应用于具有四个视图的标准筛查乳房X线检查中来获得BI-RADS预测。 作为此存储库的一部分，我们提供了一个示例考试（在images目录中）。 该模型在TensorFlow和PyTorch中均实现。 先决条件 巨蟒（3.6） TensorFlow（1.5.0）或PyTorch（0.4.0） NumPy（1.14.3） 科学（1.0.0） 枕头（5.1.0） 数据 要使用预训练模型，输入必须包含四张图像，每个视图一个（L-CC，L-MLO，R-CC，R-MLO）。 每个图像的大小必须为2600x2000像素。 提供的样本检查中的图像已经被裁剪为正确的尺寸。 如何运行代码 可用选项位于文件birads_prediction_tf.py或birads_p

深度卷积神经网络模型

基于深度卷积神经网络的服装图像分类检索算法

高效的鱼类分类识别是海洋牧场智能化监测的基础 . 传统的通过浅层模型，利用目标特征 的分类识别方法效率低下，泛化性差，难以实现智能化应用；而重建并训练深度卷积神经网络（DCNN） 模型占用巨大的计算机资源 . 文章提出一种基于 DCNN 和迁移学习的方法，针对新图像数据集，通过选 择训练参数，对预训练模型进行再训练，实现鱼类的分类识别 . 通过实验证实，这种方法可在占用少量 的计算机资源情况下，达到 97.14% 的验证准确率 . 使用基于 DCNN 与参数迁移的学习策略可以得到性 能良好的深度神经网络鱼类分类识别模型 .

AlexNet深度卷积神经网络