Deep convolutional neural networks as a geological image classif

Most 3D shape classification and retrieval algorithms were based on rigid 3D shapes, deploying these algorithms directly to nonrigid 3D shapes may lead to poor performance due to complexity and changeability of non-rigid 3D shapes. To address this challenge, we propose a fusion view convolutional neural networks (FVCNN) framework to extract the deep fusion features for non-rigid 3D shape classification and retrieval. We first propose a projection module to transform the nonrigid 3D shape into a

MMS骨架 介绍 MMSkeleton是一个开源工具箱，用于基于骨骼的人类理解。 这是负责的项目的一部分。 MMSkeleton是根据我们的研究项目。 更新 [2020-01-21] MMSkeleton v0.7发布。 [2019-10-09] MMSkeleton v0.6发布。 [2019-10-08]支持示范动物园。 [2019-10-02]支持自定义数据集。 [2019-09-23]添加基于视频的姿势估计演示。 [2019-08-29] MMSkeleton v0.5发布。 产品特点 高扩展性 MMSkeleton提供了灵活的框架来系统地组织代码和项目，并具有扩展到各种任务

CBAM: Convolutional Block Attention Module，CBAM是2018年ECCV上的一篇论文CBAM: Convolutional Block Attention Module中提出的基于注意力机制的卷积网络模型。BAM是2018年BMVC上的一篇论文BAM: Bottleneck Attention Module中提出的基于注意力机制的网络模型。 CBAM网络的核心思想是提出了CBAM模块。该模块对输入先经过通道注意力模块，和输入相乘后再经过空间注意力模块，和输入再次相乘后得到调整参数的注意力特征图

Convolutional Neural Network (CNN) This tutorial demonstrates training a simple Convolutional Neural Network (CNN) to classify CIFAR images. Because this tutorial uses the Keras Sequential API, creating and training your model will take just a few lines of code.

可切换归一化 可切换规范化是一种规范化技术，它能够以端到端的方式为深度神经网络中的不同规范化层学习不同的规范化操作。 更新 2019/3/21：发布分布式培训框架和面部识别框架。 我们还发布SyncBN和SyncSN的pytorch实现小批量任务，如分割和检测。 有关SyncBN和SyncSN的更多详细信息，可以参考。 2018/7/27：已发布ResNet50 + SN（8,1）和SN（8,4）的预训练模型。 当目标任务的批处理大小被限制为较小时，这些模型可能会在微调阶段有所帮助。 我们还发布了ResNet101v2 + SN的预训练模型，该模型在ImageNet上达到了78.81％/ 94.16％的top-1 / top-5精度。 更多预训练模型即将发布！ 2018/7/26：用于对象检测的代码已在的存储库中。 2018/7/9：我们想解释SN背后的优点。 请参阅或 。 201

这是Jake Bouvrie在2006年写的关于CNN的训练原理，虽然文献老了点，不过对理解经典CNN的训练过程还是很有帮助的。该作者是剑桥的研究认知科学的。【英文版】

Convolutional Auto-Encoders卷积自编码器的Matlab代码，可以运行caeexamples.m对手写数据mnist_uint8进行训练测试

深度视觉注意力预测 该存储库包含Keras实现的“深度视觉注意力预测”论文，该论文发表在IEEE Transactions on Image Processing

FCOS: Fully Convolutional One-Stage Object Detection