《深度卷积神经网络在计算机视觉中的应用研究综述》阅读笔记 计算机视觉.pdf

甲状腺 用于评估在超声中观察到的甲状腺结节的代码库：与使用ACR TI-RADS的放射科医生进行深度学习的比较。 由开发。 它包含使用Keras框架和TensorFlow后端的多任务CNN模型的实现。 如果您在研究中使用此代码，请考虑引用以下内容： @article{buda2019evaluation, title={Evaluation of Thyroid Nodules Seen on Ultrasound: Comparison of Deep Learning to Radiologists Using ACR TI-RADS}, author={Buda, Mateusz and Wildman-Tobriner, Benjamin and Hoang, Jenny K and Thayer, David and Tessler, Franklin N an

[深度卷积神经网络原理与实践][周浦城 等][程序源代码]

近年来，深度学习中的卷积神经网络已经广泛运用于图像识别领域，它不仅显著提升了识别准确率，同时在特征提取速度方面也优于许多传统方法。针对高速公路环境下的车型识别问题，引入卷积神经网络（CNNs）理论，设计相应特征提取算法，并结合SVM分类器构建识别系统。通过对高速公路上主要三种车型（小车、客车、货车）的分类实验显示，该方法在识别精度及速度上均取得了较显著的提高。

视觉系统实验室：在GPU上学习计算机视觉[自述文件未定期更新] 作者：Saikat Roy， 波恩大学CudaVision实验室（SS19）的存储库（主要）在PyTorch，Python3和Jupyter笔记本电脑上实现。 该项目从神经网络的基础开始，并延伸到更深层次的模型。 以下项目包含在相应的文件夹中： 项目1：Softmax回归（无autograd / Pytorch张量） 涉及使用softmax回归和手动梯度计算对MNIST数据集进行分类。 经过5次简单的迭代运行后，训练和测试集的准确度分别为0.8931和0.8866 。 项目2：多层神经网络 涉及在PyTorch上使用香草SGD进行简单的多层神经网络训练，并通过k倍蒙特卡洛交叉验证进行超参数（学习率和批量大小）搜索。 分类是在CIFAR-10数据集上完成的。 下面给出了在3072-128-128-10体系结构上进行50次

深度卷积神经网络用于多波段卫星图像的语义分割 准备 从下载3频段和16频段并提取到数据文件夹 通过执行以下命令来安装需求： $ pip install -r requirements.txt 此外，您需要安装tensorflow或tensorflow-gpu 训练 $ python train.py 争论 描述 选项 --algorithm 训练算法 unet ， fcn_densenet ， tiramisu ， pspnet --size 补丁大小 整型 --epochs 训练的纪元 整型 --batch 每批样品 整型 --channels 影像频道 3 ， 8 ， 16 --loss 损失函数 crossentropy ， jaccard ， dice ， cejaccard ， cedice --verbose 打印更多信息 布尔 --noaugment

基于matlab的表情识别代码CNN的面部表情识别层次委员会 基于MatConvNet的MATLAB实现 [挑战] SFEW部分的获奖者，“野外挑战中的第三次情感识别”（），2015年 [论文]“，”多模式用户界面杂志（JMUI），2016年 1.输入预处理 Forder lib1_AlignFace_NormalizeInput包括 人脸注册代码（基于多管道的对齐方式） MatConvNet工具箱的输入归一化（照明归一化，对比度增强）+输入矩阵（imdb）格式的代码 下载以下库进行人脸注册 /pipeline_modules_functions/module1_ZR_FaceDetector 请访问→下载并解压缩“ face-release1.0-basic.zip”→将解压缩的文件移至“ module1_ZR_FaceDetector” /pipeline_modules_functions/module3_INTRAFACE_LandmarkDetector 请访问→下载并解压缩“ FacialFeatureDetection＆Tracking_v1.4.0.zip”→将文件移至

论文代码

对于基于块进行立体匹配的深度学习方法而言，网络结构的设计对匹配代价的计算至关重要，同时，卷积神经网络（CNN）在图像处理时的耗时问题也亟待解决。提出一种基于“缩小型”网络的CNN立体匹配方法。利用CNN训练左右图像块的相似性，计算出立体匹配的匹配代价。其中，CNN特征提取阶段，通过对每个层增加相应的批归一化层，可以使训练使用更大的学习率，加快网络训练收敛速度。另外，网络设计中全连接层采用“逐层缩小”的形式，结合上述网络优化和损失函数改善，在保证精度的同时提高了运行速度。使用KITTI数据集对算法进行验证，实验结果证明，相比目前国内外先进方法，本文算法在精度方面有一定优势，相比部分方法，速度有较大提升。

针对低照度条件下图像降质严重的问题, 提出了一种基于深度卷积神经网络(DCNN)的低照度图像增强算法。该算法根据Retinex模型合成训练样本, 将原始低照度图像从RGB (Red Green Blue)空间转换到HSI (Hue Saturation Intensity)颜色空间, 保持色度分量和饱和度分量不变, 利用DCNN对亮度分量进行增强, 最后将HSI颜色空间转换到RGB空间, 得到最终的增强图像。实验结果表明, 与现有主流的图像增强算法相比, 所提算法不仅能够有效提升亮度和对比度, 改善过增强现象, 而且能够避免色彩失真, 主观视觉和客观评价指标均得到了进一步提高。