-在过去的四十年里，大多数人使用变分方法来解决光流估计的问题。随着机器学习的发展，最近的一些工作试图利用卷积神经网络（CNN）来解决这个问题，并取得了令人满意的结果。FlowNet2[1]是最先进的CNN，需要超过160M的参数才能实现准确的流量估计。我们的LiteFlowNet2在Sintel和KITTI基准测试中的性能优于FlowNet2，同时在模型尺寸和运行速度上分别是FlowNet2的25.3倍和3.1倍。LITEFRONET2是建立在传统方法基础上的，类似于变分方法中数据保真度和正则化的相应作用。我们以SPyNet[2]的形式计算空间金字塔形式的光流，但通过一种新的轻型级联流推断。通过早期校正和描述符匹配的无缝结合，它提供了较高的流量估计精度。流正则化通过特征驱动的局部卷积来改善异常值和模糊流边界的问题。我们的网络还拥有一个用于金字塔特征提取的有效结构，并支持特征扭曲，而不是像FlowNet2和SPyNet中所实践的图像扭曲。与LiteFlowNet[3]相比，LiteFlowNet2在Sintel Clean上的光流精度提高了23.3%，Sintel Final提高了12.

我们提出了一种新的数据驱动算法，用可重用的时空流数据仓库合成高分辨率的流模拟。在我们的工作中，我们采用描述符学习方法来编码分辨率和数值粘度不同的uid区域之间的相似性。我们使用卷积神经网络从流体数据（如烟密度和流速）生成描述符。同时，我们提出了一种变形限制面片平流方法，它允许我们稳健地跟踪可变形的uid区域。在这个补丁平流的帮助下，我们从存储库的详细UID生成稳定的时空数据集。 然后，在运行新的模拟时，我们可以使用学习到的描述符快速定位合适的数据集。这使得我们的方法非常有效，并且与分辨率无关。我们将通过几个例子来证明，我们的方法产生的体积具有非常高的有效分辨率，以及非耗散的小尺度细节，这些细节自然地融入了底层水流的运动中。

pv_rcnn_8369.pth

yeap16：CT图像骨分割 的3D创新实验室提供的“代码库。 此代码随附标题为： “使用卷积神经网络进行医学增材制造的骨骼的CT图像分割” 目前正在审查中。 目的 CT扫描的骨分割是医疗计划中必不可少的步骤。 骨结构的确切厚度，方向和位置对于制造患者特定的结构（例如手术指南和植入物）是必不可少的。 在骨骼分割期间，医学图像中的每个像素都被分类为“骨骼”或“背景”。 不幸的是，当前的算法要么缺乏鲁棒性和可靠性，要么需要乏味的手动交互（ ）。 因此，该存储库包含一个全自动的卷积神经网络（CNN），以执行CT扫描的骨骼分割。 模型训练 使用3例先前在Vrije大学医学中心接受治疗的患者的CT扫描对CNN进行了培训。 根据经验丰富的医学工程师的知识，CT扫描的每个像素都被标记为“骨头”或“背景”。 随机选择了500,000个像素，以在这些选定像素周围创建33x33的轴向补丁。 这些补丁随后

CNN框架中，如何对其模型的超参数进行自动化获取一直是一个重要问题。提出一种基于改进的贝叶斯优化算法的CNN超参数优化方法。该方法使用改进的汤普森采样方法作为采集函数，利用改进的马尔可夫链蒙特卡罗算法加速训练高斯代理模型。该方法可以在超参数空间不同的CNN框架下进行超参数优化。利用CIFAR-10、MRBI和SVHN测试集对算法进行性能测试，实验结果表明，改进后的CNN超参数优化算法比同类超参数优化算法具有更好的性能。

一种新的基于卷积神经网络的数据驱动故障诊断方法 本文提出了一种基于LeNet-5的新型CNN进行故障诊断。 通过将信号转换为二维（2-D）图像的转换方法，该方法可以提取转换后的二维图像的特征，并消除手工特征的影响。 我觉得这很有趣，因为它将CNN应用于机械场景。 .py文件是CNN的实现。 但是我没有提供如何预处理数据集。 参考： L. Wen，X. Li，L. Gao和Y. Zhang，“基于卷积神经网络的新的数据驱动的故障诊断方法，”《 IEEE Transactions on Industrial Electronics》，第1卷。 65，不。 7，页5990-5998，2018年7月。

这个主要是CNN的推导和实现的一些笔记，再看懂这个笔记之前，最好具有CNN的一些基础。

1、使用网路稀疏化方法来对CNN模型进行压缩 2、能够在模型大小、运行内存和运行时间上进行优化 3、准确度的损失在接受范围

原理是基于B站 刘二大人 ：传送门PyTorch深度学习实践——卷积神经网络(高级篇) 这是Inception Moudel的pytorch实现，并且实现了在GPU上运行

原理是基于B站 刘二大人 ：传送门PyTorch深度学习实践——卷积神经网络(高级篇) 这是ResidualBlock的pytorch实现，并且实现了在GPU上运行