Pytorch：基于像素梯度的深度学习（HOG + CNN） 概述 一种新颖的基于像素梯度的CNN。 为CNN的输入制作“像素渐变数组” 。 与基于灰度图像的普通CNN相比，精度更高。 Pytorch实现为自定义的torchvision.transforms 。 像素渐变阵列 图像的梯度方向是图像处理中的基本组成部分之一，并且经典用于“定向直方图（HOG）功能”，这是最成功的描述符之一。 该存储库是将其带入深度学习领域的建议： 制作量化像素渐变的3维数组（=“像素渐变数组”）。 使用像素梯度阵列作为深度学习模型（例如CNN）的输入。 像素渐变阵列的生成总结如下。 评估 通过使用MNIST数据集进行图像分类。 有关更多详细信息，请参见demo_mnist.py。 结果 火炬实施 如何在pytorch模型中实现像素渐变阵列。 步骤1：必要的模块 import numpy as n

遮罩评分R-CNN（MS R-CNN） ，，，。 CVPR 2019口头论文， 该项目基于 。 介绍 包含一个网络模块，用于了解预测的实例遮罩的质量。 所提出的网络块将实例特征和相应的预测掩码一起使用以对掩码IoU进行回归。 遮罩评分策略可在COCO AP评估过程中优先考虑更准确的遮罩预测，从而校准遮罩质量和遮罩得分之间的偏差，并提高实例分割性能。 通过对COCO数据集的广泛评估，Mask Scoring R-CNN通过不同的模型和不同的框架带来一致且显着的收益。 MS R-CNN的网络如下： 安装 检查以获取安装说明。 准备数据 mkdir -p datasets/coco ln -s /path_to_coco_dataset/annotations datasets/coco/annotations ln -s /path_to_coco_dataset/trai

Mask R-CNN源码，需要python3、tensorflow>=1.3 、Keras>=2.08、 h5py、 scipy、scikit-image、 cython 、numpy+mkl

基于TensorFlow的Faster R-CNN源码 目录结构 ----data ----experiments ----faster_rcnn ----libs