Train the DenseNet-40-10 on Cifar-10 dataset with data augmentation. 做了数据及增强等操作 并且是一个完整的工程文件 包括cifar的预测训练等功能，自主训练即可，代码易懂

警告！ 本项目中使用的体系结构不能很好地概括。 您可能要检查 。 这种修补技术可能会给您带来更好的效果。 完全卷积水印去除攻击 深度学习架构可从图像中删除透明的叠加层。 顶部：左侧为水印，中间为重建，右侧为算法预测的遮罩（从未使用文本或此图像训练过神经网络） 下： Pascal数据集图像重建。 当水印区域饱和时，重建趋向于产生灰色。 设计选择 在火车上，我生成了一个面具。 它是带有随机生成的参数（高度，宽度，不透明度，黑白，旋转）的矩形。 将遮罩应用于图片，并训练网络以查找添加的内容。 损失为abs（预测，image_perturbations）** 1/2。 它不是整个图片。 遮罩周围的

Pytorch深度学习（4） — BN层及ResNet + DenseNet实现1.批量归一化(BN)2.ResNet2.1 残差块2.2 ResNet 模型实现结构：3.DenseNet 稠密连接网络3.1 稠密块（DenseBlock）3.3 过滤层（transition_block）3.4 DenseNet模型总实现 1.批量归一化(BN) nn.BatchNorm2d(6) — 卷积层使用，超参数为输出通道数 nn.BatchNorm1d(120) – 全连接层使用，超参数为输出单元个数 2.ResNet 2.1 残差块 输入为X + Y，因而X Y的输出通道要一致 可以用1*1

DenseNet pytorch代码

densenet121_weights_tf.h5 最好的深度学习网络的权重 代码在github上可以找到！

目标跟踪算法HCF的改进版，将HCF中的VGG-19特征换成DenseNet特征

注意力机制使用；卷积神经网络的变体keras实现

本例提取了猫狗大战数据集中的部分数据做数据集，演示tensorflow2.0以上的版本如何使用Keras实现图像分类，分类的模型使用DenseNet121。本文实现的算法有一下几个特点： 1、自定义了图片加载方式，更加灵活高效，节省内存 2、加载模型的预训练权重，训练时间更短。 3、数据增强选用albumentations。 详见：https://wanghao.blog.csdn.net/article/details/122607363?spm=1001.2014.3001.5502

segmentation_models：具有预训练主干的细分模型。 Keras和TensorFlow Keras

预训练好的网络权重。需要的可以下载奥。希望了对大家有用。