晶圆图模式分类 1.数据说明 WM-811K数据集 在实际制造中从46393个批次中收集了811457个晶圆图 172950个晶圆被领域专家标记。 9种缺陷模式类别（中心，甜甜圈，边缘环，边缘局部，局部，随机，近满，划痕） 删除了四个裸片少于100个的异常晶圆图（无图案类） 2.手动特征提取方法 1]特征提取 1）密度特征 晶圆图分为13个区域（4个边缘区域，9个中心区域） 每个区域的缺陷密度用作密度特征 13个提取的特征 2）几何特征 通过噪声过滤提取显着区域 基于最大面积的显着区域，提取六个几何特征周长，面积，短轴长度，长轴长度，坚固性和偏心率 6个提取的特征 3）features功能 通过radon变换创建根据一系列投影创建晶圆图的二维表示 应用三次插值以获得相同数量的行。 根据radon转换的结果和提取的行平均值得出20行 行标准差 每行 40个提取的特征 总共59个

【图像识别】猫狗识别（CNN）-附件资源

基于MTCNN的人脸检测，口罩检测，训练，标注， PyTorch+python 说明文档 基于深度学习的口罩检测 是否戴口罩，分类，警报

matlab代码放大 PyTorch版本 抽象的 基于模型的优化方法和判别式学习方法已成为解决低视力中各种逆问题的两种主要策略。 通常，这两种方法都有其各自的优缺点，例如，基于模型的优化方法可灵活地处理不同的逆问题，但出于性能良好的目的，通常以复杂的先验条件耗时； 同时，判别式学习方法测试速度较快，但其应用范围受到专门任务的极大限制。 最近的工作表明，借助可变分割技术，可以将去噪器先验插入为基于模型的优化方法的模块部分，以解决其他反问题（例如，去模糊）。 当通过判别学习获得降噪器时，这样的集成会带来相当大的优势。 但是，仍然缺乏与快速判别去噪器集成的研究。 为此，本文旨在训练一组快速有效的CNN（卷积神经网络）去噪器，并将其集成到基于模型的优化方法中，以解决其他逆问题。 实验结果表明，学习的去噪器集不仅可以实现有希望的高斯去噪结果，而且可以用作为各种低级视觉应用提供良好性能的先决条件。 基本思想 借助可变分裂技术，例如乘数交替方向方法（ADMM）和半二次分裂（HQS）方法，可以分别处理一般图像恢复公式的保真度项和正则项项，尤其是正则化项仅对应于降噪子问题。 因此，这可以将任何区分式去噪

Shallow Triple Stream Three-dimensional CNN

1D-CNN的模型、训练与预测。用于时间序列的一种信号处理。

卷积神经网络过程可视化方面的论文，非常详细，香港科技大学最新研究成果

drcn matlab代码通过 CNN 架构和 TV-TV 最小化实现单图像超分辨率 介绍 复制论文中实验的Matlab代码： Marija Vella, João FC Mota BMVC 2019 该论文描述了任何超分辨率算法的后处理步骤，但这与基于 CNN 的算法特别相关。 给定低分辨率图像 b 和超分辨率算法的输出 w，后处理步骤通过求解 TV-TV 最小化来生成改进的高分辨率图像： 我们的实验表明，这个过程步骤系统地提高了重建图像的质量，如 PSNR 和 SSIM 所测量的那样，即使基本算法是最先进的，（例如， ， ， ）。 要求 （针对 R2019a 进行测试） 内容 有 2 个主要文件夹：和 . 该文件夹包含三个子文件夹： - 来自数据集、 和 的地面实况图像； 这些用于测试。 - 我们考虑过的超分辨率方法的输出图像（、 和 ）。 根据缩放因子将它们裁剪为适当的大小，以避免与地面实况图像错位。 - 包含两个带有示例图像的子文件夹，一个带有真实图像，另一个带有来自 SRCNN 的输出图像，放大系数为 2 倍。 该文件夹包含运行所有实验所需的代码。 脚本experiments

颜色分类leetcode CarL-CNN Car Logos CNN - 构建我自己的汽车标识分类神经网络 描述 CarL-CNN 接受了 20,778 张 50x50px RGB 图像的训练，这些图像描绘了 40 个不同汽车品牌的标识。 该数据集是从松散的网站上精心挑选的，包含各种配色方案（黑/白、RGB、CMYK、单色）、不同角度的图像、照片、绘图、草图，有时可能包含一些噪音（其他标识、背景等） .) 它通过归因于预测的品牌标签对给定图像进行分类： 模型指标 该模型得到以下分数： 精度：94.20% 召回率：94.03% F1分数：94.04% 准确度：94.03% 特征 Jupyter Notebook 文件包含用于展示、类别概率预测和新图像识别的方法定义。 此外，还对错误预测的案例进行了仔细检查，以分析哪些汽车品牌需要一些数据集丰富。 未来发展 我计划将它变成一个 Web 应用程序，并允许添加用户拥有的图像进行分类。 稍后，我打算使用sl4a，将其制作成Android应用程序并启用手机摄像头识别车标——真正的计算机视觉！ 链接 - 完整运行 CarL-CNN 所需的链接 （解

卷积神经网络用于句子分类2014年论文的解读ppt，通过开题介绍卷积的概念，以及论文完成的工作突破性意义，以及论文中的模型构建