EfficientNet论文

这是复现论文Learning to Compare Image Patches via Convolutional Neural Networks的代码，这是TensorFlow版本，用深度学习的方法做图像匹配，具体的过程可以看这篇文章https://blog.csdn.net/weixin_42521239/article/details/103389033

involution.pytorch（） 一个PyTorch实现使用过密的 对合的非官方pytorch实现。 官方实现可以在找到。 特征 该层可以处理任意输入和输出通道，内核大小，步幅和减速比。 但是，输入通道应按组划分。 要求 pytorch >= 1.4.0 einops >= 0.3.0 用法 一个例子： >>> import torch >>> from involution import Involution >>> >>> x = torch.rand(2,8,5,5) >>> i = Involution(in_channels=8, out_channels=4, groups=4, kernel_size=3, stride=2, reduction_ratio=2) >>> i(x).size () torch.Size([2, 4, 3, 3]) 去做 Ima

在PyTorch中检索CNN图像：在PyTorch中训练和评估CNN以进行图像检索 这是一个Python工具箱，用于实现对本文所述方法的培训和测试： 无需人工注释即可对CNN图像进行微调， RadenovićF.，Tolias G.，Chum O.，TPAMI 2018 [ ] CNN图像检索从BoW获悉：无监督的微调，并附有困难的示例， RadenovićF.，Tolias G.，Chum O.，ECCV 2016 [ ] 它是什么？ 该代码实现： 训练（微调）CNN进行图像检索 学习CNN图像表示的监督美白 在牛津和巴黎数据集上测试CNN图像检索 先决条件 为了运行此工具箱，您将需要： Python3（在Debian 8.1上使用Python 3.7.0进行了测试） PyTorch深度学习框架（已通过1.0.0版测试） 其余所有（数据+网络）将通过我们的脚本自动下载

2D卷积神经网络推荐系统

A Guide to Convolutional Neural Networks for Computer Vision 英文无水印原版pdf pdf所有页面使用FoxitReader、PDF-XChangeViewer、SumatraPDF和Firefox测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 查看此书详细信息请在美国亚马逊官网搜索此书

皮肤癌识别黑色素瘤 在这里，我们将设计一种可以从视觉上诊断皮肤癌最致命形式的黑色素瘤的算法。 特别地，该算法将把这种恶性皮肤肿瘤与其他类型的良性病变区分开。 数据和目的摘自《国际标准产业分类》关于皮肤病灶分析的黑色素瘤检测挑战。 作为挑战的一部分，参与者的任务是设计一种诊断皮肤病变图像的算法，该图像是三种不同皮肤疾病（黑素瘤，痣或脂溢性角化病）之一。

一篇论文，提出了BI-CNN模型，能够使二值化神经网络大幅提高精度，在CIFAR-10和IMAGENET数据集上表现良好。

Moiré Photo Restoration Using Multiresolution Convolutional Neural Networks_dataSet 摩尔纹消除数据集，深度学习 训练集95G，测试集10G（百度网盘） 阿里云盘现在不能进行分享，之后我会上传一份阿里云盘的数据

最近看了一下Alexnet经典的那篇论文，自己看完英文版就忘记了，结合翻译软件，自己翻译了一点，有很多地方不准确，见谅，第一次上传文档，如有侵权，抱歉