MultiPoseNet: 使用姿态残差网络进行快速多人姿态估计

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！

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

注意力机制使用；卷积神经网络的变体keras实现

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。

使用tensorflow简单实现了残差网络的block模块以及 bottleneck模块，并在cifar-10数据集上进行了简单测试

推荐SYS_with_movielens 使用FunkSVD，FM，itemCF / UserCF，使用残差网络的宽带和深度，使用残差网络的deepFM等构建ResSys。我尝试尽快收集所有算法。 我提供了一些基于movielens的算法 SVD： FunkSVD： BiasSVD： SVD ++ 因子分解机：FM 协同过滤 深度学习（tensorflow 2.x）宽而深 深度fm NFM

resESPCN 使用残差网络的超分辨率重建ESPCN

现有深度残差网络作为一种卷积神经网络的变种，由于其良好的表现，被应用于各个领域，深度残差网络虽然通过增加神经网络深度获得了较高的准确率，但是在相同深度情况下，仍然有其他方式提升其准确率.本文针对深度残差网络使用了三种优化方法：（1）通过卷积网络进行映射实现维度填充；（2）构建基于SELU激活函数的残差模块（3）学习率随迭代次数进行衰减.在数据集Fashion-MNIST上测试改进后的网络，实验结果表明：所提出的网络模型在准确率上优于传统的深度残差网络.

细粒度图像之间具有高度相似的外观,其差异往往体现在局部区域,提取具有判别性的局部特征成为影响细粒度分类性能的关键。引入注意力机制的方法是解决上述问题的常见策略,为此,在双线性卷积神经网络模型的基础上,提出一种改进的双线性残差注意力网络:将原模型的特征函数替换为特征提取能力更强的深度残差网络,并在残差单元之间分别添加通道注意力和空间注意力模块,以获取不同维度、更为丰富的注意力特征。在3个细粒度图像数据集CUB-200-2011、Stanford Dogs和Stanford Cars上进行消融和对比实验,改进后模型的分类准确率分别达到87.2%、89.2%和92.5%。实验结果表明,相较原模型及其他多个主流细粒度分类算法,本文方法能取得更好的分类结果。