权侵删

pytorch入门与实战所有的代码及课件，环境搭建到实战，包含RNN,LSTM GAN等多个章节内容

基于yolov7实现卡车识别检测源码+训练好模型(9000多个卡车目标训练)+配置文件+评估指标曲线.zip 模型识别检测类别为1类 ['卡车'] 【模型介绍】 1.模型使用的是yolov7-tiny.yaml、hyp.scratch.custom.yam训练 2.模型使用高性能显卡+高质量数据集训练迭代200次得到，识别检测效果和评估指标曲线都不错，实际项目所用，不需要二次训练或者微调，可用作实际项目、课程实验作业、模型效果对比、毕业设计、课程设计等，请放心下载使用！

阅读完论文ACNet: Strengthening the Kernel Skeletons for Powerful CNN via AsymmetricConvolution Blocks 后所做PPT笔记,以及原论文http://openaccess.thecvf.com/content_ICCV_2019/papers/Ding_ACNet_Strengthening_the_Kernel_Skeletons_for_Powerful_CNN_via_Asymmetric_ICCV_2019_paper.pdf

卷积生成对抗网络之人脸识别（详细步骤讲解+注释版） 注释见代码内，讲解见本人博客

CNN的成功依赖于其两个固有的归纳偏置，即平移不变性和局部相关性，而视觉Transformer结构通常缺少这种特性，导致通常需要大量数据才能超越CNN的表现，CNN在小数据集上的表现通常比纯Transformer结构要好。 CNN感受野有限导致很难捕获全局信息，而Transformer可以捕获长距离依赖关系，因此ViT出现之后有许多工作尝试将CNN和Transformer结合，使得网络结构能够继承CNN和Transformer的优点，并且最大程度保留全局和局部特征。 Transformer是一种基于注意力的编码器-解码器结构，最初应用于自然语言处理领域，一些研究最近尝试将Transformer应用到计算机视觉领域。 在Transformer应用到视觉之前，卷积神经网络是主要研究内容。受到自注意力在NLP领域的影响，一些基于CNN的结构尝试通过加入自注意力层捕获长距离依赖关系，也有另外一些工作直接尝试用自注意力模块替代卷积，但是纯注意力模块结构仍然没有最先进的CNN结构表现好。

红绿灯检测数据集，该数据集基于CCF BDCI，用于红绿灯检测，该数据集包含2600个人工标记的红绿灯类别和颜色标签。红绿灯类别包括9类 红绿灯检测数据集，该数据集基于CCF BDCI，用于红绿灯检测，该数据集包含2600个人工标记的红绿灯类别和颜色标签。红绿灯类别包括9类

一、前言 此示例演示如何创建和训练一个简单的卷积神经网络，以使用深度学习对 SAR 目标进行分类。 深度学习是一种强大的技术，可用于训练健壮的分类器。它已经在从图像分析到自然语言处理的不同领域显示出其有效性。这些发展对SAR数据分析和SAR技术具有巨大的潜力，正在慢慢实现。SAR相关算法的一项主要任务一直是目标检测和分类，称为自动目标识别（ATR）。在这里，我们使用一个简单的卷积神经网络来使用深度学习工具箱对SAR目标进行训练和分类。 深度学习工具箱提供了一个框架，用于设计和实现具有算法、预训练模型和应用程序的深度神经网络。 此示例演示如何： • 下载数据集。 • 加载和分析图像数据。 • 数据的拆分和扩充。 • 定义网络体系结构。 • 训练网络。 • 预测新数据的标签并计算分类精度。 为了说明此工作流程，我们将使用空军研究实验室发布的移动和静止目标获取和识别 （MSTAR） 混合目标数据集 [1]。我们的目标是开发一个模型，根据SAR图像对地面目标进行分类。 二、下载数据集 此示例使用的 MSTAR 目标数据集包含来自 8688 个地面车辆的 7 个 SAR 图像和一个校准目标。

关于生成对抗GAN的干货都在这里了。

利用Pytorch，opencv进行人脸口罩佩戴检测，并且在视频流中显示出来。 里面包含代码文件(.py)，数据集文件和训练好的模型文件。如果感觉检测效果不是很好，可以自己重新训练。