我们已经发布了代码和数据绘制许多现有的边缘检测的边缘PR曲线。
介绍
在本文中，我们提出了一种使用更丰富的卷积特征（RCF）的精确边缘检测器。 由于自然图像中的对象具有各种比例和宽高比，因此学习丰富的层次表示对于边缘检测非常关键。 CNN已被证明对这项任务有效。 另外，随着接收场的增加，CNN中的卷积特征逐渐变得更粗糙。 根据这些观察，我们试图在这种具有挑战性的视觉任务中采用更丰富的卷积特征。 拟议的网络通过以整体的方式组合所有有意义的卷积特征，充分利用对象的多尺度和多层次信息来执行图像到图像的预测。 使用VGG16网络，我们可以在几个可用的数据集上实现最先进的性能。 在以著名的BSDS500基准进行评估时，我们实现了0.811的ODS F测度，同时保持了较快的速度（8 FPS）。 此外，我们的RCF快速版本以30 FPS达到了0.806的ODS F测度。
引文
如果您使用的是出版物中此处
2021-12-31 14:19:26
2.44MB
1
生存卷积模型用于COVID-19预测
冠状病毒疾病COVID-19已在世界范围内引发了重大的健康危机。 必须预测该疾病的流行，调查遏制和缓解措施对感染率的影响，并在国家之间进行比较。 用于传染病建模的现有方法是SEIR模型，该模型依赖于许多不可测的先前假设（例如，拟合过去的流感数据），并且在较宽的预测间隔内不可靠。
我们开发了一个健壮的生存-卷积模型，该模型具有很少的参数，其中包含未知患者零日期，潜伏潜伏期和随时间变化的繁殖数。
标题：
作者：王勤霞a ，谢尚宏a ，袁家佳a ，曾冬林b
机构：
美国纽约，哥伦比亚大学，梅尔曼公共卫生学院，生物统计学系
北卡罗来纳大学吉林斯公共卫生学院生物统计学系，美国北卡罗来纳州查帕尔希尔
通讯人：博士（ ）和曾（ ）
：王Q，谢S，王Y，曾D（2020）。 生存卷积模型预测COVID-19病例并评估缓解策略的效果。 公共卫生前沿8（20
2021-12-31 10:26:30
5.84MB
1
DogProject:使用Pytorch和卷积神经网络识别狗的品种的项目
2021-12-31 10:02:19
1.42MB
1
深度学习是一类新兴的多层神经网络学习算法, 因其缓解了传统训练算法的局部最小性, 引起机器学习领域的广泛关注。首先论述了深度学习兴起渊源, 分析了算法的优越性, 并介绍了主流学习算法及应用现状, 最后总结了当前存在的问题及发展方向。
2021-12-30 18:52:09
986KB
1
面部表情识别
一个用于识别实时网络摄像头图像上面部表情的卷积神经网络。
安装
该实现已通过Python 3.6.3进行了测试。 您可以根据需要使用conda或virtualenv创建全新的虚拟环境。 TensorFlow 正式conda ，因此pip用于软件包管理。 所有依赖项都可以在requirements.txt文件中找到。
激活Python 3环境后，您可以使用以下命令安装要求
pip install -r path/to/requirements.txt
实时预测
如果您的计算机装有网络摄像头，则可以即时计算预测。 脱下眼镜和帽子，开始进行实时预测
python webcam.py
训练
如果您想自己训练Tensorflow CNN，则需要从kaggle和获取。 对于CK +，您可以使用ckplus_to_csv.py脚本自动检测所有面Kong，解析灰度强度并将所有CK图像收集到
2021-12-30 14:38:45
225.29MB
1
DCGAN
DCGAN是深度卷积生成对抗网络。 DCGAN由彼此相对的两个神经网络组成。 生成器神经网络学习创建看起来真实的图像，而鉴别器学习识别伪造的图像。
随着时间的流逝，图像开始越来越像训练输入。 图像以随机噪声开始，并且随着时间的推移越来越类似于手写数字。 下面的gif显示了100个训练纪元：
[1] Goodfellow，Ian等。 “生成对抗网络。” 神经信息处理系统的进步。 2014.（全文： : ）
[2] Radford，Alec，Luke Metz和Soumith Chintala。 “具有深度卷积生成对抗网络的无监督表示学习。” arXiv预印本arXiv：1511.06434（2015）。 （全文： : ）
[3] Y. LeCun，L。Bottou，Y。Bengio和P. Haffner。 “基于梯度的学习应用于文档识别。” IEEE会议论文集，
2021-12-30 14:33:13
2.17MB
1
深度学习是当前人工智能领域广泛使用的一种机器学习方法.深度学习对数据的高度依赖性使得数据需要处理的维度剧增，极大地影响了计算效率和数据分类性能.本文以数据降维为研究目标，对深度学习中的各种数据降维方法进行分析.在此基础上，以Caltech 101图像数据集为实验对象，采用VGG-16深度卷积神经网络进行图像的特征提取，以PCA主成分分析方法为例来实现高维图像特征数据的降维处理.在实验阶段，采用欧氏距离作为相似性度量来检验经过降维处理后的精度指标.实验证明：当提取VGG-16神经网络fc3层的4096维特征后，使用PCA法将数据维度降至64维，依然能够保持较高的特征信息.
2021-12-30 14:05:02
894KB
1