卷积空间传播网络 程新京，王鹏，关晨烨，杨瑞刚 内容 介绍 此回购协议包含针对深度完成和立体深度估计而训练的CSPN模型，如“ ”和“”中所述 我们在这里提供两种实现。 首先，我们通过Pytorch实施了一个简单的2D CSPN，将“异地”和“转换”操作结合在一起。 然后，我们通过CUDA提供了更有效的2D / 3D CSPN实施，并将它们集成到PaddlePaddle中，从而更加稳定和易于使用。 引文 如果您在研究中使用此方法，请引用： @inproceedings{cheng2018depth, title={Depth estimation via affinity learned with convolutional spatial propagation network}, author={Cheng, Xinjing and Wang, Peng and Yang,

  深度神经网络（DNN）在各种任务中取得了前所未有的成功，但是，这些模型性能直接取决于它们的超参数的设置。在实践中，优化超参数仍是设计深度神经网络的一大障碍。在这项工作中，我们建议使用粒子群优化算法（PSO）来选择和优化模型参数。在MNIST数据集上的实验结果显示：通过PSO优化的CNN模型可以得到不错的分类精度，此外，PSO 还可以提高现有模型结构的性能，PSO是自动化超参数选择和有效利用计算资源的有效技术。 针 对CＮＮ 算法的收敛速度较慢、过 拟合 等问题, 文章提出一种基于PSO和 CNN 模型的图像分类方法，在分析完CNN各超参数对其性能的影响后，引入 PSO 算法进行寻优以增强CNN网络模型的特征提取能力,模型将CNN算法中需要训练的参数作为粒子进行优化，将 更 新 的 参 数 用 于ＣＮＮ 算 法 的 前 向 传播，调整网络连接权矩阵迭代，直到误差收敛，停止算法，以达到最终的模型优化。

中国象棋棋子定位采用的传统图像处理方法，复杂度高；识别棋子采用的传统文字识别方法，泛化性较差、精确度较低。提出一种基于棋子颜色特征的分割方法和改进的二值图像滤波算法，实现了棋子的快速定位，不需要二次修正位置；提出一种基于卷积神经网络的棋子识别方法，该方法可以应用于不同字体的棋子识别，在更换棋子的情况下，依然可以快速、准确地识别棋子。实验结果表明，该方法的定位误差为0.51 mm，平均定位时间0.212 s，对4类字体的平均棋子识别准确率为98.59%左右，证实了该方法的有效性和实用性。

实验中所使用的样本来自点火实验中所拍摄的现场图片以及网络上森林火灾的相关图片。训练集中有 968 张森林背景图片，946 张复杂的森林火灾图片;测试集中有80 张森林背景图片，102 张复杂的森林火灾图片。训练集与测试集每一张图片均不重复。      针对森林火灾的特点，提出并设计一种基于卷积神经网络的森林火灾图像识别方法。通过实验，给出用于复杂背景下森林火灾识别的卷积神经网络结构，并对该结构进行训练和测试。结果表明，该方法具备较高的正确率，正确率达到 95% 。同时网络可自动提取特征，无需对输入图像进行复杂预处理，克服了传统算法许多固有的缺点，将其应用在森林火灾识别领域取得了很好的效果。最后，我们结合flaks框架构建了一个森林大火识别的API，在该系统下，我们通过后端调用模型，在页面中选择上传的图片，便可获得预测结果。

用卷积滤波器matlab代码KiU-Net-Pytorch | | | 在MICCAI 2020及其上发表的论文的官方Pytorch编码 期刊扩展： 关于此仓库： 此存储库托管以下网络的代码： KiU-Net 2D KiU-Net 3D Res-KiU网 致密网 它还具有组织用于通用2D图像分割和BraTS，LiTS数据集的3D体积分割的数据加载器； 便于对医学图像和体积分割算法进行基准测试。 介绍 在通用的“编码器-解码器”体系结构中，编码器的最初几个块学习数据的低级特征，而后面的块学习高级数据。 最终，编码器学会了将数据映射到较低维度（在空间意义上）。 随着网络深度的增加，接收场的大小也限制了网络将更多的精力放在更高层次的功能上。 在我们提出的体系结构中，我们引入了Ki-Net，其中我们使用了过完整的表示形式，这限制了接收域的增加。 这是通过对编码器的体系结构进行简单的更改来完成的，其中最大池化被上采样替代。 这有助于深层过滤器将更多的注意力集中在低级细节上，从而有助于细分。 当使用U-Net增强时，该网络称为KiU-Net，在分割较小的解剖标志和模糊的噪声边界的情况下，可以带来显

cnn卷积神经网络

一些车牌识别技术的个人总结，里面包含传统的机器学习以及深度学习的部分代码，可以直接运行。

tensorflow2.3-keras使用卷积神经网络CNN实现cifar10图像分类源码+数据集+注释+模型加载保存

matlab插值代码解释FSRCNN 由Pytorch和Matlab复制《加速超分辨率卷积神经网络》（CVPR 2016）论文。 依存关系 Matlab 2016 火炬1.0.0 解释 论文作者url：提供的一些Matlab代码。 使用两种语言进行项目的主要原因是因为双三次插值的实现方式不同，这导致使用PSNR标准时结果的差异更大。 概述 网络概述和与SRCNN的比较： 用法 使用./data_pro/data_aug.m进行扩充。 使用./data_pro/generate_train.m生成train.h5。 使用./data_pro/generate_test.m生成test.h5。 乘坐train.py火车： python train.py 将Pytorch模型.pkl转换为Matlab矩阵.mat。 （weights.pkl-> weights.mat） python convert.py 使用./test/demo_FSRCNN.m获得结果。 结果 使用./model/weights.mat可以得到结果： Set5平均：重建PSNR = 32.52dB VS双三次PSNR

裂纹是典型的线结构，在许多计算机视觉应用中都很有趣。在实际应用中，路面裂缝等许多裂缝连续性差、对比度低，给利用低层特征进行基于图像的裂缝检测带来了很大的挑战。在本文中，我们提出了深度裂纹——一个端到端可训练的深度卷积神经网络，通过学习用于裂纹表示的高级特征来自动检测裂纹。该方法将在层次卷积阶段学习到的多尺度深度卷积特征融合在一起，以获取线路结构。更详细的表示在大比例尺的feature maps中进行，更全面的表示在小比例尺的feature maps中进行。我们在SegNet的编码器解码器架构上构建深度裂纹网，并对在相同尺度下在编码器网络和解码器网络中生成的卷积特征进行配对融合。