GoogLeNet是2014年Christian Szegedy提出的一种全新的深度学习结构，在这之前的AlexNet、VGG等结构都是通过增大网络的深度（层数）来获得更好的训练效果，但层数的增加会带来很多负作用，比如overfit、梯度消失、梯度爆炸等。inception的提出则从另一种角度来提升训练结果：能更高效的利用计算资源，在相同的计算量下能提取到更多的特征，从而提升训练结果。 外文名GoogLeNet类 型神经网络 结构介绍 inception模块的基本机构如图1，整个inception结构就是由多个这样的inception模块串联起来的。inception结构的主要贡献有两个：一是使用1x1的卷积来进行升降维；二是在多个尺寸上同时进行卷积再聚合。 图1 图1 1x1卷积 作用1：在相同尺寸的感受野中叠加更多的卷积，能提取到更丰富的特征。这个观点来自于Network in Network，图1里三个1x1卷积都起到了该作用。 图2 图2 图2左侧是是传统的卷积层结构（线性卷积），在一个尺度上只有一次卷积；图2右图是Network in Network结构（NIN结构），

5类天气状态图像分类数据集，每类气象图片数量1000-6000不等。 5类天气状态图像分类数据集，每类气象图片数量1000-6000不等 5类天气状态图像分类数据集，每类气象图片数量1000-6000不等

基于深度学习图像超分的环形靶标稳定检测方法.zip一种基于深度学习图像超分技术可以提升环形靶标识别与定位精度的方法，即插即用。 使用说明 下载models里的超分模型 使用下列代码超分靶标用的图像 sr = cv2.dnn_superres.DnnSuperResImpl_create() sr.readModel(keypoints) # 读取模型权重文件的路径 sr.setModel('edsr', 2) # 设定算法和放大比例 当前提供基于edsr的超分模型，提供 ESPCN、FSRCNN、LapSRN 等模型 img_sr = sr.upsample(img) # 放大图像 继续靶标识别程序 基于深度学习图像超分的环形靶标稳定检测方法.zip一种基于深度学习图像超分技术可以提升环形靶标识别与定位精度的方法，即插即用。 使用说明 下载models里的超分模型 使用下列代码超分靶标用的图像 sr = cv2.dnn_superres.DnnSuperResImpl_create() sr.readModel(keypoints) # 读取模型权重文件的路径 sr.setModel

已经将oxford的一个jpg文件夹的图片做了训练集和验证机等的分类，要得同学自取

图像阴影去除，太阳光阴影去除方案，详情请看博客：https://blog.csdn.net/ALiLiLiYa/article/details/127514255

STM32F469-AI运行实例（手写字识别）多图

kaggle机器学习、深度学习竞赛，包含多模态、目标检测、视频监测和分类、图像分割、图像分类、图像检索、NLP 共21个方案

ResNet 图片分类，本地Web

包含了甜菜、苜蓿、葡萄、柑橘 、芒果共等8种作物

运行顺序： 1. 原始训练，得到一个最优mAP等评价指标 2.通过调整BN稀疏值sr，运行train_sparity.py稀疏训练得到一个稍微小的模型 3. 将训练好的last.pt 放到prune.py 中进行剪枝，控制剪枝率； 4. Finetune得到最优模型