pytorch-SCNN **于2018/12/15更新。 去做 支持不同的骨干网 支持城市景观 单GPU训练 介绍 这是的PyTorch（0.4.1）实现。它可以使用Modified Aligned ResNet作为主干。目前，我们使用Cityscapes数据集训练SCNN。 安装 该代码已通过Anaconda和Python 3.6进行了测试。安装Anaconda环境后： 克隆仓库： git clone https://github.com/forlovess/SCNN-pytorch.git cd SCNN-pytorch 安装依赖项： 有关PyTorch依赖关系，请参见以获得更多详细信息。 对于自定义依赖项： pip install matplotlib pillow tensorboardX tqdm 训练 请按照以下步骤训练您的模型： 输入参数：（通过python tr

资料说明：包括数据+代码+文档+代码讲解。 1.项目背景 2.数据获取 3.数据预处理 4.探索性数据分析 5.特征工程 6.构建模型 7.结论与展望

基于自动核分割和CNN模型的白细胞分类方法 概述： 这项工作是对白细胞（白血球）细胞核分段，定位和四种类型的白细胞（白血球）的细胞核分段算法.The完整描述的新的CNN模型为基础的分类，定位和CNN模型，可以发现。 这是工作摘要： 开发了一种用于WBC核分割的通用算法，并在四个WBC公开数据集中得到了验证。 根据细胞核和白细胞比率的统计分析确定白细胞（白细胞）的位置。 设计了一种新的CNN模型，以对四种类型的本地化和裁剪的WBC（白细胞）图像进行分类。 在“ wbc_nucleus_seg_localz”目录中共享WBC核的分割，定位和裁剪方法的代码。 请查看代码并在MATLAB上运行（推荐版本：MATLAB 2017a或2019a或更高版本）。 在“ wbc_classify_cnn_model”目录中共享裁剪的WBC图像的数据集生成，CNN模型的训练和训练后的模型的推断的代

糖尿病视网膜病变竞赛的解决方案 这是Kaggle的竞赛，您的任务是将每个人的眼部检查分类为5种不同程度的糖尿病导致的疾病。 这是我用来处理原始图像的代码的存储库，即卷积神经网络模型（使用keras构建）。 它主要基于论坛中提供的一个基准。 执行以下步骤： 仅使用普通图像处理到256X256，未使用其他方式调整颜色等。 通过增加1、2、3和4类来平衡不同类的图片。 使用过的VGG风格架构，使用开普勒K20c GPU，以10个时期进行训练，批量大小为32。 它运行约2天。 由于输出是有序的（疾病的阶段），因此不作为分类问题运行，而是作为回归问题运行。 将原始输出转换为疾病阶段标签。 天真的，我们可以转换到接近阶段。 但是，根据原始数据集的比例对原始分数进行排名会产生更好的Kappa分数。 最后，该模型在私有数据集上得出的Kappa为0.38，由于辍学，该结果在公共得分上接近0.3

数独 使用CNN模型以两种方式解决数独难题：直接（一次所有单元）和迭代（逐单元）。

现有基于卷积神经网络（CNN）的恶意代码分类方法存在计算资源消耗较大的问题。为降低分类过程中的计算量和参数量，构建基于恶意代码可视化和轻量级CNN模型的恶意软件家族分类模型。将恶意软件可视化为灰度图，以灰度图的相似度表示同一家族的恶意软件在代码结构上的相似性，利用灰度图训练带有深度可分离卷积的神经网络模型 Mobilenet v2，自动提取纹理特征，并采用 Softmax分类器对恶意代码进行家族分类。实验结果表明，该模型对恶意代码分类的平均准确率为99.32%，较经典的恶意代码可视化模型高出2.14个百分点。

Matlab代码sqrt B-CNN：双线性CNN，用于细粒度的视觉识别 由林宗玉，Aruni RoyChowdhury和Subhransu Maji在麻省大学阿默斯特分校创建 介绍 由Yuqi Huo修改。此存储库包含用于在B-CNN [ICCV 2015]和改进的B-CNN [BMVC 2017]论文中重现结果的代码： @inproceedings{lin2015bilinear, Author = {Tsung-Yu Lin, Aruni RoyChowdhury, and Subhransu Maji}, Title = {Bilinear CNNs for Fine-grained Visual Recognition}, Booktitle = {International Conference on Computer Vision (ICCV)}, Year = {2015} } @inproceedings{lin2017impbcnn, Author = {Tsung-Yu Lin, and Subhransu Maji}, Booktitle = {British

- 笔记这是将该应用程序投入生产的示例，您应该使用celery或aws lambda。

多频道 用于越南人情绪分析的多通道LSTM-CNN模型 这是针对“用于越南人情绪分析的多通道LSTM-CNN模型” [ ]的实现。 我们提供了情绪分析数据集：VS。 数据集包括两个版本：标记化和不标记化。 要运行此代码： 请在preprocessing.py和load_data.py中指定数据路径。 运行“ python preprocessing.py”，然后运行“ python cnn_lstm.py” 要求： 凯拉斯 张量流 贡献 请在知识库中创建问题。 我们鼓励人们为该存储库做出贡献并在实际应用中应用。 执照 此存储库中的代码根据的条款。 如果您使用我们的数据或实施方式，请引用我们的以下论文，并通过电子邮件分享您的想法： @INPROCEEDINGS{Quan, author={Q. H. Vo and H. T. Nguyen and B. Le and M.

介绍： 用于人类活动识别的LSTM-CNN模型第一个可穿戴的数据集是“ ，该包含30位受试者的记录，这些受试者在进行带有腰部安装式智能手机的嵌入式智能手机的同时进行日常生活（ADL）活动。 每个人都在腰上佩戴智能手机（三星Galaxy S II）进行六项活动。 从嵌入式加速度计和陀螺仪中，以50Hz的恒定速率捕获3轴线性加速度和3轴角速度。 标签是通过视频记录的。 传感器信号通过应用噪声滤波器进行预处理，然后在2.56秒和50％重叠（128个读数/窗口）的固定宽度滑动窗口中采样。 通过从时域和频域计算变量，从每个窗口获得了561个特征的向量。 另一个可穿戴数据集是数据集，该数据集包含十名志愿者在执行12项常见活动时的身体运动和生命体征记录。 放置在对象胸部，右手腕和左脚踝上的传感器用于测量身体各个部位所经历的运动，即加速度，转弯速率和磁场方向。 置于胸部的传感器还提供2导联心电图测量，可