kears实现IMBA 不平衡数据集分类kears实现IMBA 不平衡数据集分类kears实现IMBA 不平衡数据集分类kears实现IMBA 不平衡数据集分类kears实现IMBA 不平衡数据集分类

model weight in this repo https://github.com/fchollet/deep-learning-models Keras提供的预训练权重

采用Keras编写的神经网络与深度学习数字识别程序两例。介绍了加载数据集文件的三种方法；第1例为MLP数字识别程序，第2例为LeNet数字识别程序(配LeNet网络架构图一幅，并与程序中的代码段对应)，程序可读性强并通过验证测试。

Unet：U-Net: Convolutional Networks for Biomedical Image Segmentation目标检测模型在Keras当中的实现 目录 性能情况 unet并不适合VOC此类数据集，其更适合特征少，需要浅层特征的医药数据集之类的。 训练数据集 权值文件名称 测试数据集 输入图片大小 mIOU VOC12+SBD VOC-Val12 512x512 55.74 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 注意事项 unet_voc.h5是基于VOC拓展数据集训练的。 unet_medical.h5是使用示例的细胞分割数据集训练的。 在使用时需要注意区分。 文件下载 训练所需的unet_voc.h5和unet_medical.h5可在百度网盘中下载。 链接: 提取码: f38i VOC拓展数据集的百度网盘如下： 链

一个基于Keras和TensorFlow实现的Mask R-CNN用于对象检测和实例分割

CNN-FaceRec 基于Keras的CNN人脸识别 所需环境 tensorflow-gpu==2.0.0 Keras==2.3.1 h5py==2.10.0 使用方法 文件下载 链接： 提取码：9uea 下载好权重文件放到logs文件夹里 链接： 提取码：w5wu 下载人脸训练集图片face放到data/face/中 链接： 提取码：73uy 下载人脸测试集图像test放到data/test中 运行Face_Rec.py即可实现data/test文件下的人脸识别 训练方法 运行EasyNet_train.py可训练一个简单模型

Siamese：孪生神经网络在Keras当中的实现 目录 实现的内容 该仓库实现了孪生神经网络（Siamese network），该网络常常用于检测输入进来的两张图片的相似性。该仓库所使用的主干特征提取网络（backbone）为VGG16。 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 注意事项 训练Omniglot数据集和训练自己的数据集可以采用两种不同的格式。需要注意格式的摆放噢！ 文件下载 训练所需的vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5可在百度网盘中下载。 链接: 提取码: 17zy 我一共会提供两个权重，分别是vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5和Omniglot_vgg.h5。 其中: Omniglot_vgg.h5是O

【Keras-DenseNet】CIFAR-10-附件资源

深度学习基础入门资源，基于keras和tensorflow的入门级代码

这是matlab的工具包Deep Learning Toolbox Importer for TensorFlow-Keras Models 的参考页，讲解了如何将tensorflow的模型在matlab中使用