Matlab路面裂缝检测识别系统设计--深度学习机器学习图像处理的matlab源代码GUI项目实战案例

深度学习，机器学习，图像处理的matlab源代码，基于小波变换的数字水印技术

全套系统MATLAB智能驾驶深度学习之第 05 章 基于阈值分割的车牌定位识别.zip

图像分类架构ResNet18-vd BackBone_ResNet18-vd_e88DT73t75DT69

一个基于深度学习的集成端到端图像搜索引擎。它涵盖了图像分类、图像位置（OverFeat）和图像相似度

YOLO3支持库1.2.rar YOLOV3主要改进： 调整了网络结构；利用多尺度特征进行对象检测；对象分类用Logistic取代了softmax 1.新的网络结构Darknet-53 2、YOLO3更进一步采用了3个不同尺度的特征图来进行对象检测。能够检测的到更加细粒度的特征。对于这三种检测的结果并不是同样的东西，这里的粗略理解是不同给的尺度检测不同大小的物体。 3、使用Kmeans聚类的方法来决定anchors的尺寸大小： YOLO2已经开始采用K-means聚类得到先验框的尺寸，YOLO3延续了这种方法，为每种下采样尺度设定3种先验框，总共聚类出9种尺寸的先验框。

用显卡跑深度学习图像任务时用到的

医疗图像分类，深度学习图像分类算法，带前后端，一个完整的癌症识别项目，keras框架+flask vue

人工智能-项目实践-图像识别-基于深度学习的肿瘤辅助诊断系统 以图像分割为核心，利用人工智能完成肿瘤区域的识别勾画并提供肿瘤区域的特征来辅助医生进行诊断。有完整的模型构建、后端架设和前端访问功能。 系统以图像分割为核心，利用人工智能完成肿瘤区域的识别勾画并提供肿瘤区域的特征来辅助医生进行诊断。有完整的模型构建、后端架设和前端访问功能。 医生只需通过web上传ct图像文件，后台就会使用训练好的模型进行肿瘤区域的分割，然后将勾画好肿瘤区域的图像返回，还有肿瘤区域的一些特征（如面积、周长、强度等），并且提供前几次诊断的特征数据并绘制成图表进行对比来辅助医生诊断。

尽管使用更快更深的卷积神经网络在单图像超分辨率的准确性和速度方面取得了突破，但一个核心问题仍然很大程度上未解决：当我们在大的升级因子上超分辨时，我们如何恢复更精细的纹理细节？基于优化的超分辨率方法的行为主要由目标函数的选择驱动。近期工作主要集中在最小化均方重建误差。由此产生的估计具有高峰值信噪比，但它们通常缺乏高频细节，并且在感知上它们不能满足在较高分辨率下预期的保真度的感觉上不满意。在本文中，我们提出了SRGAN，一种用于图像超分辨率（SR）的生成对抗网络（GAN）。据我们所知，它是第一个能够推断4倍放大因子的照片般逼真的自然图像的框架。为实现这一目标，我们提出了一种感知损失函数，它包括对抗性损失和内容丢失。对抗性损失使用鉴别器网络将我们的解决方案推向自然图像流形，该网络经过训练以区分超分辨率图像和原始照片真实图像。另外，我们使用由感知相似性驱动的内容丢失而不是像素空间中的相似性。我们的深度残留网络能够在公共基准测试中从严重下采样的图像中恢复照片般逼真的纹理。广泛的平均意见得分（MOS）测试显示使用SRGAN在感知质量方面获得了巨大的显着提升。使用SRGAN获得的MOS分数比使用任何