提出了一种基于改进的深度残差网络（residual network，ResNet）的表情识别算法。采用小卷积核和深网络结构，利用残差模块学习残差映射解决了随着网络深度增加网络精度下降的问题，通过迁移学习方法克服了因数据量不足导致训练不充分的缺点；网络架构使用了线性支持向量机（SVM）进行分类。实验中首先利用ImageNet数据库进行网络参数预训练，使网络具有良好的提取特征能力，根据迁移学习方法，利用FER-2013数据库以及扩充后的CK+数据库进行参数微调和训练。该算法克服了浅层网络需要依靠手工特征，深层网络难以训练等问题，在CK+数据库以及GENKI-4K数据库上分别取得了91.333%和95.775%识别率。SVM在CK+数据库的分类效果较softmax提高了1%左右。

DnCNN-张量流 TIP2017论文的张量流执行器， 模型架构 结果 BSD68平均结果 BSD68数据集上不同方法的平均PSNR（dB）结果。 噪音等级 BM3D 无线网络 锁相环 MLP 脑脊液 TNRD 神经网络 神经网络 DnCNN-张量流 25 28.57 28.83 28.68 28.96 28.74 28.92 29.23 29.16 29.17 Set12平均结果 噪音等级 神经网络 DnCNN-张量流 25 30.44 30.38 要求 tensorflow >= 1.4 numpy opencv 数据集 我使用BDS500数据集进行训练

CCRE，比香农熵更通用，决定了两幅图像的交叉累积残差熵。适用于多模态图像配准，对噪声更敏感。函数 f=ccre(I1,I2) 计算两者之间的 CCRE两个图像在 test_ccre.m 文件中。

3．残差分析，作残差图： rcoplot(r,rint) 从残差图可以看出，除第二个数据外，其余数据的残差离零点均较近，且残差的置信区间均包含零点，这说明回归模型 y=-16.073+0.7194x能较好的符合原始数据，而第二个数据可视为异常点. 4．预测及作图： z=b(1)+b(2)* plot(x,Y,'k+',x,z,'r') 返回 To MATLAB(liti12)

壁画图像具有结构细节丰富,纹理复杂、色彩多变的特点,而基于卷积神经网络的图像超分辨率算法重建的壁画图像存在纹理模糊和边缘锯齿效应的问题。因此,提出了一种基于多尺度残差注意力网络的壁画图像超分辨率重建算法。首先,通过多尺度映射单元,用不同尺度的卷积核直接对低分辨率壁画图像进行特征提取;然后,将融合后的特征图输入残差通道注意力块,使网络从全局信息出发对各个特征图进行权值优化,增强网络模型的深度映射能力;最后,在网络末端引入亚像素卷积层,重新排列像素,得到重建的高分辨率壁画图像。实验结果表明,本算法可以减小重建误差,增强重建壁画图像的边缘及结构信息,使重建的壁画图像纹理细节更丰富。

针对齿轮视觉微小缺陷，采用一种基于深度学习算法的Mask R-CNN网络进行检测，并对网络进行相应地优化调整.首先，通过比较5种残差神经网络检测效果，选择resnet-101作为图像共享特征提取网络.然后，剔除特征金子塔网络中对特征图P5进行的不合理的3×3卷积，缺齿检出率指标相应得到提升.最后，为了对候选区域网络进行有效的训练，根据设计的样本标注方案中小范围波动的标注尺寸，设置合适的anchors大小以及宽高比.最终，经过优化的Mask R-CNN网络达到了98.2%缺齿检出率.

灰色残差马尔科夫模型的matlab代码版本

该工具包括引导滤波器、引导上采样和残差插值。 请在示例文件夹中运行 runall.m。 参考： 导向过滤器： Kaiming He、Jian Sun 和 Xiaoou Tang，引导图像过滤，欧洲计算机视觉会议 (ECCV)，2010 年。 Kaiming He、Jian Sun 和 Xiaoou Tang，引导图像过滤，IEEE Trans。 模式分析和机器智能 (TPAMI)，卷。 35，第 6 期，第 1397-1409 页，2013 年。 引导上采样： Yusuke Monno、Masayuki Tanaka 和 Masatoshi Okutomi，使用引导滤波器的多光谱去马赛克，IS&T/SPIE 电子成像论文集 (EI2012)，数码摄影 VIII，第 8299 卷，第 82990O-1-7 页，2012 年 1 月。 残差插值： Yusuke Monno、Daisu

利用自适应残差插值的彩色图像去马赛克。

OpenCV在DNN模块中提供了基于残差SSD网络训练的人脸检测模型，tensorflow版本。