张量流-cnn-finetune 这个仓库是关于使用TensorFlow对一些著名的卷积神经网络进行微调的。 ConvNets： 要求： Python 2.7或3.x Tensorflow 1.x（已通过1.15.1测试） OpenCV2（用于数据扩充） 数据集文件 您需要设置两个数据集文件以进行训练和验证。 格式必须如下所示： /absolute/path/to/image1.jpg class_index /absolute/path/to/image2.jpg class_index ... class_index必须从0开始。 可以在和找到样本数据集文件。 不要忘了通过--num_classes运行时，标志finetune.py脚本。 亚历克斯网 进入alexnet文件夹 cd alexnet 微调 如果您以前没有下载过砝码，请下载。 ./download_we

快速核磁共振 | | 通过获取更少的测量值来加快磁共振成像（MRI）的潜力，可以降低医疗成本，将对患者的压力降到最低，并使MR成像在目前速度缓慢或昂贵的应用中成为可能。 是Facebook AI Research（FAIR）和NYU Langone Health的一项合作研究项目，旨在研究使用AI来加快MRI扫描的速度。 纽约大学朗格健康中心已经发布了完全匿名的膝盖和大脑MRI数据集，可以从下载。 可以找到与fastMRI项目相关的出版物。 该存储库包含方便的PyTorch数据加载器，子采样功能，评估指标以及简单基准方法的参考实现。 它还包含fastMRI项目的某些出版物中方法的实现

让彩色！：灰度图像的自动着色 概述 这段代码使用Tensorflow在python中提供了的实现： "Let there be Color!: Joint End-to-end Learning of Global and Local Image Priors for Automatic Image Colorization with Simultaneous Classification" Satoshi Iizuka, Edgar Simo-Serra, and Hiroshi Ishikawa ACM Transaction on Graphics (Proc. of SIGGRAPH 2016), 2016 本文提供了一种使用深层网络自动为灰度图像着色的方法。 该网络在单个框架中共同学习局部特征和全局特征，然后可以将其用于任何分辨率的图像上。 通过合并全局特征，可以使用

原文作者：Binh-Son Hua、Minh-Khoi Tran、Sai-Kit Yeung。 文章地址：https://arxiv.org/abs/1712.05245 github项目地址：https://github.com/scenenn/pointwise 在本文中，我们提出了一种用于3D点云的语义分割和目标识别的卷积神经网络。 我们网络的核心是逐点卷积，这是一种新的卷积算子，可以作用于点云的每个点。我们的全卷积网络设计实现起来惊人地简单，在语义分割和目标识别任务方面都可以提供具有竞争力的准确性。

此仓库仅实现GhostNet的演示代码。 请移至以获取更多详细信息。 幽灵网 此存储库提供了CVPR 2020论文Pytorch演示实现。 带有预训练模型的TensorFlow / PyTorch实现可在。 要求 该代码已在Python3 PyTorch 1.0+上进行了验证。 用法 用法示例： import torch from ghost_net import ghost_net model = ghost_net(width_mult=1.0) input = torch.randn(32,3,224,224) y = model(input) print(y) GhostNet简介 GhostNet：廉价运营带来的更多功能。 CVPR2020。 韩开，王云和，田琦，郭建元，徐春景，徐昌。 方法 表现 GhostNet击败了其他SOTA轻量级CNN，例如MobileNetV

基本SR BasicSR（基本超级还原）是基于PyTorch的开源图像和视频还原工具箱（超分辨率，去噪，去模糊等）。 这是原始BasicSR的经过大量修改的分支。 您将在此处找到的内容：用于训练和测试计算机视觉（CV）模型的样板代码，集成在单个管道中的不同CV方法和策略以及模块化，以根据需要添加和删除组件，包括新的网络体系结构。 进行了大量的代码重写，以减少代码冗余和重复，重组代码并使其更具模块化。 可以在找到支持的体系结构的详细信息。 （自述文件当前为WIP） 此代码的最新版本中的一些新功能： 现在，将不同功能（HFEN，SSIM / MS-SSIM，SPL，TV / DTV等）使用的滤镜和图像操作合并到filter.py和colors.py中。 可重用的损失生成器，可以减少使用新模型时所需的更改，并且对所有模型仅添加一次新损失 度量构建器，在验证期间仅包括选定的那些。

笔记 不能保证所有实现都是正确的，未经原始作者检查，只能从本文描述中重新实现。 原始纸 包含EEGNet的原始论文和模型 tf_EEGNet 这是EEGNet的张量流实现 有关更多信息，请参见 tf_ConvNet 这是ConvNet的tensorflow实现 有关更多信息，请参见 留一题实验 型号：tf_EEGNet BCI_competion 2a的预处理 1. A trial contained 2s and was extraced 0.5s after the cue was given. 2. A 4-38Hz bandpass was done by a causal 6-order Butterworth fliter. 3. The MI dataset was sampled at 250Hz. And it was resampled to 128Hz for E

全球结构地震损害预测 使用深度学习技术来检测地震后带有铰链/接头的结构中的损坏。 用于训练数据的网络包括：“一维卷积神经网络”，“ LSTM网络”，“使用频谱图的二维卷积神经网络”。 使用连接到铰链/接头的加速度计记录X和Y轴的数据，并使用SAP2000生成地震情况。 可以在以下位置找到用于训练的数据：（请参考数据集的.zip文件。文件夹中的笔记本未更新） 检查数据后，文件“ Data and Discrepancies.txt”描述了数据中每种情况下发现的差异。 请参阅文件“地震损坏检测2数据预处理.ipynb”以处理数据。 请参阅文件“地震破坏预测2-准备I＆O.ipynb”，以准备要馈入网络的数据并生成两个X＆Y轴的频谱图。 有关训练1D CNN和LSTM的信息，请参阅文件“ Earthquake Network Training 3.ipynb”。 随附的笔记本可能还包

“Practical Convolutional Neural Networks: Implement advanced deep learning models using Python” Md. Rezaul Karim,Mohit Sewak,Pradeep Pujari 2018年2月 epub文件，内含示例源码

Convolutional Neural Networks 吴恩达 神经网络 WEEK3 最新版实验 2021 5月版