keras-resnet：用于深度残差网络的Keras软件包

基于残差Resnext的Unet网络。

介绍了使用自定义残差块的方式实现长残差网络构建方法的介绍

针对森林复杂冠层结构和林分高密度下遥感树种识别精度不高的问题,将能够提取高维数据立体特征的三维卷积神经网络(3D-CNN)引入到遥感影像树种识别中,并利用残差网络(ResNet)对其进行改进,提出三维残差卷积神经网络(3D-RCNN),以减小网络深度带来的误差,降低退化现象的影响。联合高分五号高光谱数据(GF-5 AHIS)和高分六号高空间分辨率数据(GF-6 PMS),辅以森林资源数据和外业调查数据构建样本集。结合3D-RCNN思想构建树种识别模型。实验结果表明:相较于传统3D-CNN,3D-RCNN将模型网络从12层增加到18层,能够深化网络结构,缓解网络退化;联合GF-5 AHIS和GF-6 PMS,3D-RCNN能够有效地识别北亚热带森林树种,且识别精度(91.72%)要优于传统3D-CNN(85.65%)和支持向量机算法(85.22%)。

针对人脸表情识别，传统方法主要依赖人工提取特征的优劣，算法的鲁棒性较差，而传统卷积神经网络无法提取到更深层次的图像特征，因此该文将采用深度残差网络进行人脸表情识别。ResNet网络主要由残差模块组成，将残差模块的输出送入到全连接层进行特征的融合，最后由Softmax分类器进行分类。该文将输入残差模块之前的卷积层进行改进，使用并行的小卷积代替原来的卷积，使其可以提取到更深层次且不同尺度的图像特征以易于识别。在公用数据集CK+上进行多次实验，结果证明该方法具有较高的准确率。

行业分类-物理装置-基于多尺度信息和残差网络的小目标交通标志检测方法.zip

行业分类-物理装置-深度递归残差网络的遥感图像空谱融合方法和电子设备.zip

行业分类-物理装置-基于随机深度残差网络的高光谱图像分类方法.zip

Deep Residual Learning for Image Recognition 深度残差网络论文笔记 蓝：生疏词汇 红：疑惑 黄：重点 绿：次重点 使用Edge浏览器可编辑

针对车辆检测任务，设计更高效、精确的网络模型是行业研究的热点，深层网络模型具有比浅层网络模型更好的特征提取能力，但构建深层网络模型时将导致梯度消失、模型过拟合等问题，应用残差网络结构可以缓解此类问题。基于YOLO算法，改进残差网络结构，加深网络层数，设计了一种含有68个卷积层的卷积神经网络模型，同时对输入图像进行预处理，保证目标在图像上不变形失真，最后在自定义的车辆数据集上对模型进行训练与测试，并将实验结果与YOLOV3模型进行对比，实验表明，本文设计的模型检测精准度(AP)达90.63%，较YOLOV3提高了4.6%。