最全卷积神经网络CNN(初学者入门共83页，良心整理

视网膜血管分割全卷积网络的数据集预处理研究，张冠宏，周晓光，在深度神经网络中，对于数据集的预处理工作是非常重要的，会直接影响神经网络模型的预测结果。对于视网膜血管分割任务而言，数据

keras-fcos 这是在keras和Tensorflow上的实现。 该项目基于和 。 感谢您的辛勤工作。 测试 我在Pascal VOC2012 trainval.txt + Pascal VOC2007 train.txt上进行了培训，并在Pascal VOC2007 val.txt上进行了验证。 有用于训练的14041张图像和用于验证的2510张图像。 VOC2007测试的最佳评估结果是（score_threshold = 0.05）： 骨干 行动计划50 资源50 0.6892 resnet101 0.7352 预训练模型在这里。 提取代码：yr8k python3 inference.py通过在此处指定图像路径和模型路径来测试图像。 火车 构建数据集（Pascal VOC，其他类型请参考 ） 下载VOC2007和VOC2012，将所有图像文件从VOC2007

基于改进全卷积神经网络的玉米叶片病斑分割.pdf

所谓图像分割指的是根据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性。 多数的图像分割算法均是基于灰度值的不连续和相似的性质

基于全卷积神经网络的花岗岩中不同组分分布特征分析.pdf

提出了一种基于多尺度特征融合的全卷积神经网络的视网膜血管分割方法, 无需手工设计特征和后处理过程。利用跳跃连接构建编码器-解码器结构全卷积神经网络, 将高层语义信息和低层特征信息进行融合; 利用残差块进一步学习细节和纹理特征; 利用不同空洞率的空洞卷积构建多尺度空间金字塔池化结构, 进一步扩大感受野, 充分结合图像上下文信息; 采用类别平衡损失函数解决正负样本不均衡问题。实验结果表明, 在DRIVE(Digital Retinal Images for Vessel Extraction)和STARE (Structured Analysis of the Retina)数据集上的准确率分别为95.46%和96.84%, 敏感性分别为80.53%和82.99%, 特异性分别为97.67%和97.94%, 受试者工作特征(ROC)曲线下的面积分别为97.71%和98.17%。所提方法相较于其他方法性能更优。

图像分割任务中，传统的基于人工设计特征方法工作量大、复杂度高、分割精度较低，现有的基于全卷积神经网络（fully convolutional networks，FCN）的方法在分割边缘上不够精细。为了提高图像分割算法的分割精度，提出基于多源融合的全卷积神级网络模型，输入图片经过Sobel算子提取边缘特征获得特征矩阵，与RGB和灰度图像一起作为输入，将传统全卷积网络拓展成具有多种输入源的分割模型。在PASCAL VOC2012图像分割数据集上进行实验验证，结果显示该模型提高了图像分割的精度，具有良好的实时性和鲁棒性。

基于全卷积神经网络的中文语音识别系统 基于全卷积神经网络的中文语音识别系统 简介简介 通过git克隆仓库以后，需要将数据列表目录下的文件全部复制到数据集目录下，也就是将其跟数据集放在一起。 $ cp -rf datalist/ * dataset/ 目前可用的模型有24、25和251 本项目开始训练请执行： $ python3 train_mspeech.py 本项目开始测试请执行： $ python3 test_mspeech.py iters_num （这里的iters_num为迭代的step数，可以在生成的step_dfcnn.txt文件里查看） 测试之前，请确保代码中填写的模型文件路径存在。 ASRT API服务器启动请执行： $ python3 asrserver.py 模型模型 语音模型语音模型 CNN + LSTM / GRU + CTC 语言模型 基于概率图的最大

SiamFC：利用全卷积孪生网络进行视频跟踪-附件资源