城市道路中车辆检测与识别对于提升交通安全，发展智能化交通具有非常重要的意义。传统的检测方式依赖于人工提取的特征，已难以适用于复杂多变的交通场景，存在识别精确度低、时间复杂度高等缺陷。深度学习模型可以自动提取有用特征，泛化能力强，但难以对相似型车辆进行更加精细的分类，为此提出一种基于残差网络的小型车辆目标检测算法。算法将传统卷积神经网络的连接形式改为一种基于局部连接和权值共享的残差连接模式，同时更改网络结构控制参数数量，将图片不同层次的特征融合计算，应用感兴趣区域池化层规格化前层特征，最后经过分类层和回归层得到目标框的置信度以及修正参数。实验表明，改进模型能够在保证时间效率的前提下增强网络的学习能力，提高平均精度，在相似小型车辆的检测问题上取得了良好的检测结果。

何凯明大神的残差网络，必须要看，必须要看，必须要看！！！

自动调制识别在认知无线电、智能解调器、电子侦察等各种民用及军事应用中扮演重要角色。自动调制识别属于分类问题，常见的方法有KNN、DT、SVM、CNN。为了提高自动调制识别的准确度，基于GNU Radio生成20种信噪比8种调制类型的IQ数据集，训练深度神经网络模型RESNET进行分类测试。实验结果显示自动调制识别的分类准确度提高了近12%。证明了RESNET 适用于自动调制识别，可以满足工程需求。

EDSR Tensorflow实施 使用Tensorflow编写的的的实现。 要求 张量流 科学的 tqdm argparse 安装 pip install -r requirements.txt 训练 为了训练，您必须做一些事情... 下载图像数据集（由于我的计算限制，我使用了 ） 将来自该数据集的所有图像放入该图像下的目录中 运行python train.py --dataset data_dir其中data_dir是包含图像的目录 为了在训练期间查看统计信息（图像预览，标量为损失），只需运行tensorboard --logdir your_save_directory ，其中y

伪三维残差网络（P-3D）的pytorch版本，支持预训练模型...........................................

博客见：https://blog.csdn.net/qq_37534947/article/details/109727232，主要是空洞卷积以及残差网络的代码实现，包含数据集，框架是pytorch

残差网络resnet50的深度学习模型权重文件，可作为预训练模型，提升学习效率

res-net50-预训练模型，可用（resnet50-19c8e357.pth）

批量归一化（BatchNormalization） ps 批量归一化本质上是对数据的标准化处理，输入标准化一般用于浅层模型，但是对于深层网络，输入的标准化不够，因为随着模型的迭代更新，依然容易造成靠近输出层，它的数据是剧烈变化的。所以批量归一化的出现是应对深度模型的。 对输入的标准化（浅层模型） 处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。 标准化处理输入数据使各个特征的分布相近 批量归一化（深度模型） 利用小批量上的均值和标准差，不断调整神经网络中间输出，从而使整个神经网络在各层的中间输出的数值更稳定。 1.对全连接层做批量归一化 （形状 m×d，对m个元素做批量归一化）

本代码是deeplabv3的一个复现，进入代码后数据集可以直接输入 python download.py 下载数据集，下载之后可以输入 python train.py即可运行，输入python test_demo.py可以先测试一下，均可直接运行