具有完整源代码的TensorFlow2版本的MobileNetv2 具有完整源代码的TensorFlow2版本的MobileNetv2。 使用Kaggle dogs-vs-cats数据集从头开始训练MobileNetv2模型。 当前状态 在ZCU102上测试 使用的工具：带有额外补丁的TensorFlow2.3和Vitis AI 1.3.2 数据集： 网络：MobileNetv2 介绍 我们将执行以下步骤： 下载并准备Kaggle dogs-vs-cats数据集。 将图像转换为TFRecords。 使用TensorFlow的内置Keras版本对自定义CNN进行培训和评估。 使用作为Vitis AI的一部分提供的Xilinx:registered:量化器对浮点模型进行量化。 使用dogs-vs-cats测试数据集评估量化模型。 编译量化模型以在目标板上执行。 使用提供的Python脚本在目标板上

deeplabv3_mobilenetv2_tf_dim_ordering_tf_kernels 预训练模型

最新移动端，高速响应的网络

一、首先围绕烟雾检测问题，对其基本内容、理论研究与系统开发进行综述；接着对深度卷积神经网络，以及深度目标检测网络进行了详细介绍。二、研究基于改进 Mobile Net V2-SSD 的烟雾视频检测算法：首先提出新型重构金字塔结构，以提升小型烟雾目标的检测精度；然后提出基于烟雾先验特征的候选框参量设定方法，以快速准确的定位烟雾目标；接着引入了基于 SE-Net 模块的特征增强抑制机制，以有效提高特征表达能力；最后通过在雾检的准确率。三、研究基于改进 3D 残差稠密网络的烟雾视频检测算法：首先提出基于先验评分算法的疑似烟雾区域定位，以实现烟雾目标的实时定位；然后提出轻量化 3D 实现烟雾目标的精准检测；接着提出基于烟雾时变特征的动态检测策略，以实现实时性和精准性的最佳折中；最后通过实验对比，本文算法在检测率和准确率等方面都有提升。四、开发并实现了基于深度神经网络的烟雾视频检测系统：首先阐述了系统的需求和架构，然后介绍了系统开发的软件环境与硬件资源，阐明了该系统的具体实现流程；最后展示了对烟雾视频检测的实际运行效果。