【Keras-DenseNet】CIFAR-10-附件资源

3D版densenet网络，基于pytorch，可用于ct，mri等3维图像的分类工作。

PyTorch图像模型多标签分类 基于timm的多标签分类。 更新2021/03/22 更新了./timm/models/multi_label_model.py、./train.py和./validate.py，以计算每个标签的精度。 介绍 该存储库用于多标签分类。 该代码基于 。 感谢罗斯的出色工作。 我于2021年2月27日下载了他的代码。 我认为我的多标签分类代码将与他的最新版本兼容，但我没有检查。 该是多标签分类的主要参考资料。 感谢Dmitry Retinskiy和Satya Mallick。 为了理解我们的上下文和数据集，尽管您无需阅读此处的特定代码，但请花5分钟阅读上面的链接。 将所有图像放入./fashion-product-images/images/。 为了实现多标签分类，我从Ross的pytorch-image-models中修改（添加）以下文件： ./

凯拉斯的密集网 DenseNet在Keras中实现密集的论文 现在支持更高效的DenseNet-BC（DenseNet-Bottleneck-Compressed）网络。 使用DenseNet-BC-190-40模型，它可以在CIFAR-10和CIFAR-100上获得最先进的性能 建筑 DenseNet是对广泛残差网络的扩展。 根据论文： The lth layer has l inputs, consisting of the feature maps of all preceding convolutional blocks. Its own feature maps are pass

关键字识别（KWS）是智能设备上终端和服务机器人的人机交互的主要组成部分，其目的是最大程度地提高检测精度，同时又要减小占用空间。 在本文中，基于DenseNet提取局部特征图的强大功能，我们为KWS提出了一种新的网络体系结构（DenseNet-BiLSTM）。 在我们的DenseNetBiLSTM中，DenseNet主要用于获取局部特征，而BiLSTM用于获取时间序列特征。 通常，DenseNet用于计算机视觉任务，它可能会破坏语音音频的上下文信息。 为了使DenseNet适合KWS，我们提出了一个变体DenseNet，称为DenseNet-Speech，它在过渡层的时间维度上删除了池以保留语音时间序列信息。 此外，我们的DenseNet-Speech使用密度较小的块和过滤器来使模型保持较小，从而减少了移动设备的时间消耗。 实验结果表明，DenseNet-Speech的特征图可以很好地维护时间序列信息。 就Google Speech Commands数据集的准确性而言，我们的方法优于最新方法。 对于具有223K可训练参数的20条命令识别任务，DenseNet-BiLSTM能够达到96.6％的精度。

DenseNet-BC-121-32.h5

该文档内包含有DenseNet 实现以及Attention Unet网络结构的Pytorch实现，其中使用到dice loss，交叉熵loss以及基于focal loss思想改造后的适用于pixel级别分类的pixel focal loss（在test loss里面），这是项目的完整文件，包含有整个完整的参数设置、训练、测试流程以及相应的可视化过程

本代码实现了从造样本到训练和识别代码 基于densenet 和 ctc的loss 实现

使用Tensorflow的DenseNet源码，适合配合论文学习。适合初学者进行学习。

该文件包含一个densenet，一个resnet，一个inception网络。