ADMM 使用Radio Galaxy图像反卷积

针对低照度条件下图像降质严重的问题, 提出了一种基于深度卷积神经网络(DCNN)的低照度图像增强算法。该算法根据Retinex模型合成训练样本, 将原始低照度图像从RGB (Red Green Blue)空间转换到HSI (Hue Saturation Intensity)颜色空间, 保持色度分量和饱和度分量不变, 利用DCNN对亮度分量进行增强, 最后将HSI颜色空间转换到RGB空间, 得到最终的增强图像。实验结果表明, 与现有主流的图像增强算法相比, 所提算法不仅能够有效提升亮度和对比度, 改善过增强现象, 而且能够避免色彩失真, 主观视觉和客观评价指标均得到了进一步提高。

【图像识别】基于卷积神经网络(CNN)实现垃圾分类Matlab源码

使用联合边引导卷积神经网络的深度图上采样进行虚拟视图合成

异物侵入铁路限界对铁路系统可靠性造成了极大的威胁。为达到高分类准确率及低模型内存占用率兼备的目的，针对既有技术方法中分类效果、泛化性能较差以及耗时久、模型占用空间大等问题，本文提供了一种快速训练算法，采用网络迁移压缩同时进行的方式，提出基于特征图L1或L2范数的递归式裁剪准则剔除冗余卷积核以压缩网络。对于单个相机新场景的目标分类任务，只需使用在混合场景数据上得到的最优分类网络模型通过压缩和微调训练便可以实现不同场景铁路异物分类的快速训练。实验表明，在基于铁路场景数据库的测试中，该算法可以将原始VGG16模型的参数消耗内存压缩1 020倍，在不同的单个相机场景测试样本库上压缩后网络的分类误差最低为0.34％。

随着深度学习的发展，卷积神经网络作为其重要算法被广泛应用到计算机视觉、自然语言处理及语音处理等各个领域，并取得了比传统算法更为优秀的成绩。但是，卷积神经网络结构复杂，参数量和计算量巨大，使得很多算法必须在GPU上实现，导致卷积神经网络难以应用在资源不足且实时性要求很高的移动端。为了解决上述问题，文中提出通过同时优化卷积神经网络的结构和参数来对卷积神经网络进行压缩，以使网络模型尺寸变小。首先，根据权重对网络模型结果的影响程度来对权重进行剪枝，保证在去除网络结构冗余信息的冋时保留模型的重要连接;然后通过量化感知（ quanTIκaτion- awareτraining）对卷积神经网络的浮点型权重和激活值进行完全量化，将浮点运算转换成定点运算，在降低网络模型计算量的冋时减少网络模型的尺寸。文中选用 tensorflow深度学习框架，在 Ubuntu16.04操作系统中使用 Spyder编译器对所提算法进行验证实验结果表眀，该算法使结枃简单的 Lenet模型从l.64M压缩至θ.36M，压缩比达到η8%，准确率只下降了了0.016;使轻量级网络 Mobilenet模型从16.9M压缩至3.1M，压缩比达到81%，准确率下降0.03。实验数据说明，在对卷积神经网络权重剪枝与参数量化辶后，该算法可以做到在准确率损失较小的情况下，对模型进行冇α压缩，解决了卷积神经网络模型难以部署到移动端的问题。

很不错的最新介绍深度学习的文献，仅供大家参考，希望更多的深学爱好者上传分享，谢谢！

内容包含了seed数据集与四份基于seed数据集的脑电情绪识别代码， 每一份代码都可以完整运行。 第一份是svm模型；第二份采用的pytorch框架，模型为svm和卷积神经网络（cnn）的混合模型。第三份是卷积神经网络（cnn）和循环神经网络（rnn）的混合模型。第四份是采用的机器学习算法，包含了五种机器学习常见的算法，例如决策树算法、朴素贝叶斯、K最近邻算法、随机森林算法等等。

针对现有的基于卷积神经网络的图像超分辨率算法参数较多、计算量较大、训练时间较长、图像纹理模糊等问题, 结合现有的图像分类网络模型和视觉识别算法对其提出了改进。在原有的三层卷积神经网络中, 调整卷积核大小, 减少参数; 加入池化层, 降低维度, 减少计算复杂度; 提高学习率和输入子块的尺寸, 减少训练消耗的时间; 扩大图像训练库, 使训练库提供的特征更加广泛和全面。实验结果表明, 改进算法生成的网络模型取得了更佳的超分辨率结果, 主观视觉效果和客观评价指标明显改善, 图像清晰度和边缘锐度明显提高。

针对全卷积孪生(SiamFC)网络算法在相似目标共存和目标外观发生显著变化时跟踪失败的问题,提出一种基于注意力机制的在线自适应孪生网络跟踪算法(AAM-Siam)来增强网络模型的判别能力,实现在线学习目标外观变化并抑制背景。首先,分别在模板分支和搜索分支中加入前一帧跟踪所得到的结果,弥补网络在应对目标外观变化的不足;然后通过在孪生网络中加入空间注意力模块和通道注意力模块实现不同帧之间的特征融合,从而在线学习目标形变并抑制背景,进一步提升模型的特征表达能力;最后,在OTB和VOT2016跟踪基准库上进行实验。实验结果表明,本文算法在OTB50数据集上的精确度和平均成功率比基础算法SiamFC分别高出了4.3个百分点和3.6个百分点。