传统的图像融合算法多有计算复杂程度高、不能有效提取图像纹理等不足，为了弥补以上传统算法，提出了一种基于孪生卷积神经网络（Siamese Convolutional Neural Network，Siamese CNN）的图像融合方法.首先，用孪生卷积神经网络生成一个权重图，该权重图包含了来自两个待融合图像的全部像素信息.然后，用图像金字塔对像素以多尺度的方式进行融合，并且采用了局部相似性策略自适应调整分解系数的融合模式.最后，和现存的几种图像融合的方法进行了对比.实验证明，该方法有较好的融合效果，具有一定的可实用性.

预算matlab代码 全卷积网络的半监督深度学习MICCAI 2017论文的正式实施 克里斯托夫·鲍尔（ Christoph Baur ，慕尼黑TU），沙迪·阿尔巴古尼（ Shadi Albarqouni） （慕尼黑TU），纳西尔·纳瓦布（ Nassir Navab ）慕尼黑（TU）和巴尔的摩JHU C. Baur和S. Albarqouni对这项工作做出了同等贡献 抽象的： 深度学习通常需要大量带标签的训练数据，但是注释数据既昂贵又乏味。 半监督学习的框架提供了使用标记数据和任意数量的未标记数据进行训练的方法。 最近，针对标准CNN架构对半监督式深度学习进行了深入研究。 但是，全卷积网络（FCN）为许多图像分割任务设定了最新技术。 据我们所知，目前尚无针对此类FCN的半监督学习方法。 在随机特征嵌入的帮助下，我们提出了用于半监督学习的辅助流形嵌入到FCN的概念。 在有关MS病变分割的艰巨任务的实验中，我们利用提议的框架进行域适应，并报告了相对于基线模型的实质性改进。 C. Baur和S. Albarqouni对这项工作做出了同样的贡献。 资源 要求 MATLAB 2017a（最后测试

基于MNIST数据集的基本机器学习程序代码，程序采用python语言编写，内有文档对代码功能的解释这

包含cifar10数据集，CNN卷积网络源码，OpenMV IDE2.2，PPT

Fully convolutional deep neural network to remove transparent overlays from images

西安电子科技大学的计算机视觉 期末大作业 我的两篇论文所有的都在这了 走过路过不要错过啊 是真的！！！！！

全卷积网络的端到端目标检测 该项目在PyTorch上提供了“”的实现。 本文中的实验是在内部框架上进行的，因此我们在上重新实现了它们，并报告了以下详细信息。 要求 scipy> = 1.5.4 开始使用 在本地安装cvpods（需要cuda进行编译） python3 -m pip install ' git+https://github.com/Megvii-BaseDetection/cvpods.git ' # (add --user if you don't have permission) # Or, to install it from a local clone: git clone https://github.com/Megvii-BaseDetection/cvpods.git python3 -m pip install -e cvpods # Or, pip

计算机视觉技术大量应用于自动驾驶系统，主要解决物体识别与物体分类问题，本文根据任务提出了一种轻量化的神经网络结构.为解决训练数据规模不足的问题，采用了改进型数据增强算法，使训练数据成倍增加.同时为解决使用数据生成器作为验证集，无法使用tensorboard的问题，提出了解决方案，通过卷积网络可视化方法详细研究了神经网络处理图像信息的原理并提出了优化方法.训练后的模型在验证集上准确率达到了97.5%，满足了自动驾驶系统对分类任务准确率的要求.

matlab傅里叶变换原始码纸 Zhaozhongyuan，Mehmet C.Vuran，Guojuan Guo和Stephen Scott，《 Deep-Waveform：一种基于深度复数值卷积网络的学习型OFDM接收器》，被《 IEEE通讯选定区域》杂志接受，arXiv预印本 @article{zhao2018deepwaveform, author={Zhongyuan Zhao and Mehmet C. Vuran and Fujuan Guo and Stephen Scott}, title={Deep-Waveform: A Learned OFDM Receiver Based on Deep Complex-valued Convolutional Networks}, journal={accepted to IEEE Journal on Selected Areas in Communications}, vol = {}, month = {July}, year = {2021}, url={https://arxiv.org/abs/1810.07181

全景光 全卷积网络用于全景分割 李彦伟，赵恒双，齐晓娟，王立伟，李泽明，孙健，贾佳亚 [ ] [ ] 该项目为基于的CVPR 2021口头论文“”提供了实现。 Panoptic FCN是一个概念上简单，强大且有效的全景图分割框架，它在统一的全卷积流水线中表示和预测前景事物和背景事物。 安装 该项目基于 ，它可以按以下方式构造。 按照安装Detectron2。 按照设置数据集。 将此项目复制到/path/to/detectron2/projects/PanopticFCN 训练 要使用8个GPU训练模型，请运行： cd /path/to/detectron2 python3 projects/PanopticFCN/train.py --config-file --num-gpus 8 例如，要在8个GPU上使用ResNet-50主干网启动Pa