用于识别花卉分类的AI应用程序 图像分类器使用卷积神经网络识别不同种类的花朵。 展望未来，人工智能算法将被整合到越来越多的日常应用中。 例如，您可能想在智能手机应用程序中包含图像分类器。 为此，您将使用在数十万张图像上训练的深度学习模型，作为整个应用程序体系结构的一部分。 将来，软件开发中的很大一部分将使用这些类型的模型作为应用程序的通用部分。 在这个项目中，我们将训练一个图像分类器来识别不同种类的花。 您可以想象在电话应用程序中使用类似的内容，该名称可以告诉您相机正在查看的花朵的名称。 实际上，我们将训练该分类器，然后将其导出以用于我们的应用程序。 我们将使用包含102种花卉类别的，您可以在下面看到一些示例。 我们在这里需要做的主要事情是： 加载并预处理图像数据集 在数据集上训练图像分类器 使用训练有素的分类器来预测图像内容 所有这些任务最初都在jupyter笔记本中涵盖。 除了

yeap16：CT图像骨分割 的3D创新实验室提供的“代码库。 此代码随附标题为： “使用卷积神经网络进行医学增材制造的骨骼的CT图像分割” 目前正在审查中。 目的 CT扫描的骨分割是医疗计划中必不可少的步骤。 骨结构的确切厚度，方向和位置对于制造患者特定的结构（例如手术指南和植入物）是必不可少的。 在骨骼分割期间，医学图像中的每个像素都被分类为“骨骼”或“背景”。 不幸的是，当前的算法要么缺乏鲁棒性和可靠性，要么需要乏味的手动交互（ ）。 因此，该存储库包含一个全自动的卷积神经网络（CNN），以执行CT扫描的骨骼分割。 模型训练 使用3例先前在Vrije大学医学中心接受治疗的患者的CT扫描对CNN进行了培训。 根据经验丰富的医学工程师的知识，CT扫描的每个像素都被标记为“骨头”或“背景”。 随机选择了500,000个像素，以在这些选定像素周围创建33x33的轴向补丁。 这些补丁随后

AdderNet：我们真的需要深度学习中的乘法吗？ 该代码是CVPR 2020论文的演示 我们提出加法器网络（AdderNets）来交换深度神经网络（尤其是卷积神经网络（CNN））中的大规模乘法运算，以更便宜的加法运算来减少计算成本。在AdderNets中，我们将滤波器和输入要素之间的L1范数距离作为输出响应。结果，在ImageNet数据集上使用ResNet-50，建议的AdderNets可以达到74.9％的Top-1精度91.7％的Top-5精度，而无需在卷积层上进行任何乘法。 更新：培训代码在6/28中发布。 运行python main.py以在CIFAR-10上进行训练。 更新：11月27日发布了有关AdderNet的Model Zoo。 CIFAR-10和CIFAR-100数据集的分类结果。 模型 方法 CIFAR-10 CIFAR-100 VGG-小 有线电视新闻网 94.

时间序列分类的深度学习 这是发表在“时间序列分类的深度学习：评论”的配套资料库，该也可以在。 数据 该项目中使用的数据来自两个来源： ，其中包含85个单变量时间序列数据集。 ，其中包含13个多元时间序列数据集。 码 代码划分如下： python文件包含运行实验所需的代码。 文件夹包含必要的功能，以读取数据集并可视化绘图。 文件夹包含9个python文件，每个文件针对本文测试的每个深度神经网络。 要在一个数据集上运行模型，应发出以下命令： python3 main.py TSC Coffee fcn _itr_8 这意味着我们将在Coffee数据集的单变量UCR存档上启动模型（有

神经网络后处理 使用卷积神经网络进行Unity的后处理。 使用pix2pix / GAN训练的CNN模型，快速的神经样式传递您可以离线创建样式并使用自己的数据训练网络，从而制作出NNPP！ 带有pix2pix或快速样式转移的培训师 Keras模型和Unity重量说明 受过快速神经风格转换训练： 这是运行时和培训的源代码。 预训练模型在AssetStore上 如何运行： 打开场景场景并运行！ 需求 Unity 2018.2+ 支持计算着色器（DX11 +，Vulkan，Metal） 参考

狗品种分类器 在该项目中，首先，我实施了卷积神经网络，使用转移学习对狗的品种进行分类。 在转移学习中，我们使用的是经过预训练的网络，例如VGG-16，Resnet，Inception，Xception等。 目标 对狗的品种进行分类 依存关系 麻木 大熊猫 凯拉斯 球状 matplotlib cv2 斯克莱恩 tqdm 皮尔 我用jupyter笔记本来实现 信用 Udacity深度学习纳米学位

猫狗分类 牛津-IIIT宠物数据集。 问题在于对数据集中显示的每种动物进行分类。 第一步是对猫和猫之间的品种进行分类，然后对猫和猫的品种分别进行分类，最后将种族混合在一起进行分类，从而增加了问题的难度。 步骤1 获取数据集： bash utils / get_dataset.sh 第2步 预处理数据集： bash rul_all_preprocessing.sh 第三步 培训模型的创建： bash run_all_models.sh 第四步 要运行TensorBoard，请打开一个新终端并运行以下命令。 然后，在您的Web浏览器中打开 。 脚本/ 选择你的型号 张量板--logdir ='。/ logs'--port = 6006

鬼网 新闻 2020/11/10 TinyNet（NeurIPS 2020）的代码已在发布。 2020/10/31 GhostNet + TinyNet取得了更好的性能。 请参阅我们的NeurIPS 2020论文中的详细信息： 。 2020/09/24我们发布了GhostNet模型，可在和上更多视觉任务。 2020/06/10 GhostNet包含在。 2020/06/08 PyTorch代码包含在此存储库中。 GhostNet：廉价运营带来的更多功能。 CVPR2020。 韩开，王云和，田琦，郭建元，徐春景，徐昌。 方法 性能 GhostNet击败了其他SOTA轻量级C

验证码识别CAPTCHA_recognizing 第九届中国大学生服务外包创新创业大赛-A16验证码识别（河海大学-李说啥都对） 本项目抛弃了传（过）统（时）的SVM支持向量机，使用卷积神经网络(Convolutional Neural Networks, CNN)针对所给验证码进行识别，五类验证码的准确率均在95%+，第一类竟达到100%。Let's come to the point! 第一类验证码 First CAPTCHA 第一类验证码为四则运算验证码，包含一个四则运算，验证方法为要求用户输出运算表达式及结果。验证码包含噪点干扰。如图示例： 卷积操作拓扑图如下： 第二类验证码 Second CAPTCHA 第二类验证码为英文字母+数字验证码，包含5个字符，验证方法为要求用户输出验证码中的字符，大小写不限。验证码包含噪点干扰，文字无旋转形变。如图示例： 第三类验证码 Third CA

免责声明 没有积极维护该存储库。 这是一篇硕士论文的结果，如果有人想复制论文的结果，可以将该代码作为参考。 鸟类种类分类 这些是在Chalmers University of Technology进行的硕士学位论文的项目文件。 该项目的目的是通过使用深度残差神经网络，多宽度频率增量数据增强和元数据融合来构建和训练鸟类分类器，从而改进最先进的鸟类分类器。带有相应物种标签的鸟类歌曲数据。 如果该资料库对您的研究有用，请引用硕士论文。 设置 $ git clone https://github.com/johnmartinsson/bird-species-classification $ virtualenv -p /usr/bin/python3.6 venv $ source venv/bin/activate (venv)$ pip install -r requirements.txt