中国是传统的农业大国, 农业不仅是国民经济建设与发展的基础, 也是社会正常稳定有序运行的保障. 然而每年由于农作物病虫害造成的损失巨大, 且传统的农作物病虫害识别方法效果并不理想. 同时近年深度学习飞速发展, 在图像分类与识别的方面取得了巨大进展. 因此本文通过基于深度学习的方法构建农作物病虫害图像识别模型, 并针对样本不平衡问题改进卷积网络损失函数. 实验证明该模型可以对农作物病虫害进行有效识别并且对损失函数进行优化后模型的准确率也进一步得到了提升.

关于深度学习, 图像处理.卷积神经网络的大量参考论文文献.

EAST_ICPR2018：ICPR MTWI 2018挑战II的EAST（网络图像的文本检测） 介绍 这是为分叉的存储库。 原始存储库： 。 它是EAST的张量流重新实现：EAST：高效，准确的场景文本检测器。 原作者： 该存储库还引用了 来源存储库： 。 来源作者：。 作者：电子邮件： 或 内容 火车 测试 结果 数据集和转换 用于模型训练的数据集包括ICDAR 2017 MLT（train + val） ， RCTW-17（train）和ICPR MTWI 2018 。 其中， ICPR MTWI 2018包括9000个火车数据和1000个验证数据< （update）ICPR_text_train_part1_20180316 >。 对于argman / EAST ，数据集中的某些数据异常，例如ICPR_

ICPR2018：网络图像的文本识别 / 网络图像的文本检测 TODO： 根据描述文件在图片中圈出所有文本的位置，效果图如下 将描述文件转成pascal格式的xml文件 训练YOLO或者SSD模型 训练OCR模型或直接调用OCR库

细胞神经网络matlab去噪的源程序，自己写的，能运行对的

这是一篇关于深度学习应用于图像处理的高质量文献，其中的方法比较新颖。

本文提出一种基于RBF神经网络的医学图像分类算法，利用像素的特征信息作为训练样本对RBF神经网络进行训练，使用训练后的RBF神经网络图像的分类识别，对不同的分类结果赋予不同rgb值进行显示。实验结果表明，RBF神经网络的结构简单、学习权值数量少且收敛速度快，不仅能有效的区分医学图像中的不同结构，显示图像细节，同时其误差曲线收敛稳定、速度快。

基于人脸识别的网络图像管理系统的设计与实现，蔡道英，李学明，网络图像管理系统主要用于用户在互联网上上传、下载、管理和分享自己的图片。传统的网络图像管理系统主要采用基于文本关键字的检

1.基于Keras批量修改文件名以定义标签； 2.可根据自己的数据集图像特点调整参数，实现2分类或多分类任务的模型训练； 3.模型结构可自己更改； 4.输出训练loss和accuracy变化曲线。

针对图像超分辨率重建过程中出现的边缘细节模糊、图像特征丢失的问题,提出基于密集连接的生成对抗网络图像超分辨率重建算法。该算法由生成网络和判别网络组成,在生成网络结构中,将原始低分辨率图像作为网络的输入,为了实现对特征的充分利用,采用密集连接方式将浅层网络的特征输送到深层网络结构的每一层,有效避免图像特征的丢失。并在末端进行亚像素卷积,对图像进行反卷积操作,完成图像最终的超分辨率重建,大大减少了训练耗时。在判别网络结构中,采用6个卷积模块和一个全连接层对真伪图像进行甄别,采用对抗博弈的思想,提升重建图像的质量。实验结果表明,本文算法在视觉效果评估、峰值信噪比值、结构相似性值以及耗时等多方面指标上都有了很大的改善,恢复出较为丰富的图像细节信息,取得了较好的视觉效果和综合特性。