Densefuse：红外和可见图像的融合方法-Tensorflow 吴小军* 发表于：IEEE图像处理事务 H. Li，XJ Wu，“ DenseFuse：红外和可见图像的融合方法”，IEEE Trans。 图像处理。 28号5月，第2614–2623页，5月。 2019。 笔记 在“ main.py”文件中，您将找到如何运行这些代码。 本文中使用的评估方法显示在“ analysis_MatLab”中。 这些方法是由MatLab实现的。 抽象的 在本文中，我们提出了一种针对红外和可见图像融合问题的新型深度学习架构。 与传统的卷积网络相比，我们的编码网络是由卷积神经网络层和密集块组合而成的，密集块的每一层的输出都与其他每一层相连。 我们尝试使用此体系结构从编码器过程中的源图像中获取更多有用的功能。 然后，采用适当的融合策略融合这些特征。 最后，融合图像由解码器重建。 与现有的融合

深度学习TensorFlow2.0 前言 在这个项目中，我将使用谷歌TensorFlow2.0框架逐一重现经典的卷积神经网络：LeNet-5，AlexNet，VGG系列，GooLeNet，ResNet系列，DenseNet系列，以及现在比较流行的：RCNN系列，SSD ，YOLO系列等。 教程目录 图像分类任务1.手写数字识别FirstNet（已​​完成） 2.快速建造卷积网络FastNet（已​​完成） 3. LeNet-5（已完成） 4. AlexNet（已​​完成） 5. VGG系列（已完成） 6. GooLeNet（已​​完成） 7. ResNet系列（已完成） 8. DenseNet系列（已完成） 目标检测任务1. RCNN系列2. SSD 3. YOLO系列 项目环境 Python3 Python3.6和3.7 PyCharm2018和2019 Tensorflow2.0

卷积神经网络(CNN)的结构与参数决定了其在图像分类中的性能,针对深度网络结构复杂、参数量较大的问题,提出了一种基于稠密连接网络进化的CNN(D-ECNN)图像分类算法。该算法可对网络结构空间进行有效搜索,并基于有限的计算资源对深度网络结构与参数进行自适应优化。在车辆数据集上的分类实验结果表明,本算法的准确率可达到95%,相比视觉几何组(VGG16)算法,提升了约1%,且本算法的模型文件较小、速度更快。

皮托奇·西法尔100 pytorch在cifar100上练习 要求 这是我的实验资料 python3.6 pytorch1.6.0 + cu101 张量板2.2.2（可选） 用法 1.输入目录 $ cd pytorch-cifar100 2.数据集 我将使用来自torchvision的cifar100数据集，因为它更方便，但我还将示例代码保留了用于在数据集文件夹中编写您自己的数据集模块的示例，以作为人们不知道如何编写它的示例。 3.运行tensorbard（可选） 安装张量板 $ pip install tensorboard $ mkdir runs Run tensorboard

keras==2.1.5 ,tensorflow==1.10

网络找到的代码 亲测可用 直接下载Python版cifar数据集添加路径即可 内含resnet代码

【深度学习入门】Paddle实现手写数字识别（基于DenseNet）0. 闲言碎语：1. MNIST 数据集：2. DenseNet 详解：2.1 ResNet（颠覆性的残差结构）：2.2 DenseNet（跨层链接的极致）：3. 代码： 0. 闲言碎语： OK，因为课程需要就来做了一个手写数字（当初就是这个小项目入的坑hahhh），因为必须在百度的 AI Studio 上进行，所以只能用 Paddle，看了一下 Paddle 的文档，结论是：这不就是 tensorflow + torch 的结合体吗hahhh？所以还是比较容易写这个数字识别的 demo的； 这里就分享一个 Baseline

裂纹分割 在这里，我提出了针对路面和混凝土材料的裂纹分割问题的解决方案。 在本文中，我描述了我尝试使用的方法，数据集并演示了结果。 我的方法基于UNet网络，并在两种流行的体系结构上学习迁移：VGG16和Resnet101。 结果表明，在实际情况中可能发生的各种情况下，大型的裂纹分割数据集有助于提高模型的性能。 内容 推理结果预览 以下是几个测试用例的结果。 有关更多测试案例的结果，请参见./test_results文件夹下的图像。 概述 裂纹分割是结构研究中的重要任务。 例如，在桥梁调查项目中，控制对象完成工作以使其在桥梁周围飞行以拍摄不同桥梁表面的图片。 然后，计算机将对图片进行处理，以检测桥梁表面上可能被损坏的潜在区域。 模型越准确，处理这些图像所需的人工就越少。 否则，操作员将不得不检查每个图像，这很无聊且容易出错。 此任务中的一个挑战是该模型对噪声和其他物体（例如裂缝上的苔藓，标

在10分钟内使用Flask作为Web应用程序部署Keras模型一个漂亮且可自定义的Web应用程序，以轻松地部署DL模型在10分钟内入门克隆此仓库安装要求运行脚本在10分钟内使用Flask作为Web应用程序部署Flaras模型作为Web App以及可定制的Web应用程序，以轻松地部署DL模型10分钟入门克隆此仓库安装要求运行脚本转到http：// localhost：5000完成！ 截图：新功能:fire:增强的，移动友好的UI支持图像拖放使用原始JavaScript，HTML和CSS。 删除jQuery和Bootstrap默认情况下切换到TensorFlow 2.0和tf.keras将Docker基本映像升级到Python

【图像分类】实战——使用DenseNet实现识别秃头（pytorch）https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/117955004?spm=1001.2014.3001.5502