使用OpenCV深度学习模型残差网络（ResNet）人脸检测，实现了静态图像人脸检测和实时视频流人脸检测

近几年应用在单幅图像超分辨率重建上的深度学习算法都是使用单种尺度的卷积核提取低分辨率 图像的特征信息，这样很容易造成细节信息的遗漏。另外，为了获得更好的图像超分辨率重建效果，网络模型也不 断被加深，伴随而来的梯度消失问题会使得训练时间延长，难度加大。针对当前存在的超分辨率重建中的问题，结合 GoogleNet 思想、残差网络思想和密集型卷积网络思想，提出一种多尺度密集残差网络模型。方法 使 用 3 种不同尺度卷积核对输入的低分辨率图像进行卷积处理，采集不同卷积核下的底层特征，这样可以较多地提 取低分辨率图像中的细节信息，有利于图像恢复。再将采集的特征信息输入残差块中，每个残差块都包含了多个 由卷积层和激活层构成的特征提取单元。另外，每个特征提取单元的输出都会通过短路径连接到下一个特征提取 单元。短路径连接可以有效地缓解梯度消失现象，加强特征传播，促进特征再利用。接下来，融合 3 种卷积核提取 的特征信息，经过降维处理后与 3 × 3 像素的卷积核提取的特征信息相加形成全局残差学习。最后经过重建层，得 到清晰的高分辨率图像。整个训练过程中，一幅输入的低分辨率图像对应着一幅高分辨率图像标签，这种端到端 的学习方法使得训练更加迅速。使用两个客观评价标准 PSNＲ( peak signal-to-noise ratio) 和 SSIM( structural similarity index) 对实验的效果图进行测试，并与其他主流的方法进行对比。最终的结果显示，本算法在 Set5 等 多个测试数据集中的表现相比于插值法和 SＲCNN 算法，在放大 3 倍时效果提升约 3. 4 dB 和 1. 1 dB，在放大 4 倍时提 升约 3. 5 dB 和1. 4 dB

何凯明的深度残差网络 PPT 对应相应论文的PPT 仅供学习交流使用

resnet_101 残差网络101层，训练好的参数。 真实有效，欢迎下载

基于残差网络的训练模型，准确率可以达到99%，测试集有86%

网络环境:ubuntu系统下,python3.4以上,tensorflow1.12.0以上.需要自己训练 * Random split 50k training set into 45k/5k train/eval split. * Pad to 36x36 and random crop. Horizontal flip. Per-image whitening. * Momentum optimizer 0.9. * Learning rate schedule: 0.1 (40k), 0.01 (60k), 0.001 (>60k). * L2 weight decay: 0.002. * Batch size: 128. (28-10 wide and 1001 layer bottleneck use 64)

如果对代码有疑问可以看一下我的博客《Pytorch 实现自己的残差网络图片分类器》和压缩包中的README.docx。也欢迎大家在博客下面提问或者指出文中的错误，谢谢大家。

利用50层ResNet实现手势数字的识别，准确率可达95%。。

resnet50已训练好模型参数，可在自己的数据上进行微调。tensorflow