图像去噪的深度学习概述由田春伟，费伦克，张文贤，徐勇，左望孟和林嘉雯提供，其为 。 它已经由神经网络（IF：5.535）发布。 此外，本文已被推送到神经网络的主页上。 本文是针对图像去噪的深度学习的第一个完整摘要，对读者而言非常有意义。 它是通过微信公众账号在报道 ， 和 。 抽象 深度学习技术在图像去噪中获得了很多关注。 但是，不同类型的深度学习方法在处理噪声方面有很大的差异。 具体来说，基于深度学习的判别式学习可以很好地解决高斯噪声。 基于深度学习的优化模型方法对真实噪声的估计有很好的效果。 到目前为止，很少有相关研究来总结用于图像去噪的不同深度学习技术。 在本文中，我们对图像去噪中不同深度技术进行了比较研究。 我们首先对（1）用于加性白噪声图像的深卷积神经网络（CNN），（2）用于真实噪声图像的深CNN，（3）用于盲目去噪的深CNN和（4）用于混合噪声图像的深CNN进行分类，是嘈杂，

监控视频中的道路事故检测 北京大学团队2018 Road_Accident数据集上监视视频（ ）的真实世界异常检测的实现和修改版本。 数据集 道路事故数据集包含796个* .mp4格式的视频（330正常，366异常，100测试）。 数据集链接：正在更新 C3D提取器：使用3D卷积网络学习时空特征（ ）。 使用Google Colab（）提取视频的C3D功能 按照笔记本中的说明提取视频功能。 训练 检查此笔记本以查看文档以及培训/测试过程。 Keras 1.1.0 Theano 0.9.0 的Python 3 可视化结果 Django Web应用程序。 有关更多详细信息，请参见目录。 档案结构 文件/目录 说明 提取C3D视频功能 Python，Matlab通用脚本 测试视频的Groudtruth批注 用于建立C3D Caffe模型的配置文件 训练/测试代码 Jupyter

keras-resnet：用于深度残差网络的Keras软件包

theano0.7.0版本，此版本有效避免高版本theano 出现的一些问题

分数最大池 在Theano中实施“分数最大缓冲”（ ） 怎么办 不相交的伪随机分数最大池，用于2D图像 待办事项 通用版本 输入： 形状分子 形状分母 如何？ 计算输出形状 计算每个昏暗的步幅 例如。 1,1,1,2,2,2,2,1 大步确定左上角 池大小决定了池的大小如果没有，则与步幅相同 运算输入： img img形状 一种 b 输出： 新img ND版本

网络 概述 使用 Theano 构建具有以下特征的卷积神经网络 输入的弹性失真和噪声 卷积层 带有 Dropout 的隐藏层，Maxnorm 正则化 各种输出层，如 Softmax、高斯混合等。 依赖关系 Python 3.0 西诺 pip 安装 git+git://github.com/Theano/Theano.git 示例用法 制作一个像 params/5numbers.prms 这样的文件来拥有一个定义你想要构建的 CNN 的字典。 使用 train.py 运行它 python3 train.py mnist params/mnist.prms 您自己的数据 使其适用于您自己的数据（称为galaxy数据）。 在数据目录（如mnist.py ）中创建一个模块，名为galaxy.py ，加载时将具有以下四个属性。 training_x, training_y, testing_x,

基于Python+Theano实现的逻辑回归，内附有详细注释，尽可能的让你看懂每一个变量每一个函数的功能。

Theano使用文档中包含详细的实践指南，可以帮助你由简入繁去搭建自己的深度学习模型

pylearn2安装，源自lisa实验室开发，建议下载github上最新更新。

theano官方lstm源代码解析