论文仅供参考学习使用。 通过融合浅层网络高分辨率的细节特征来改进 PSPNet-50 网络模型，减小随着网络的加深导致空间信息的丢失对分割边缘细节的影响。然后通过交互分割算法获取一至两幅图像的分割先验，将少量分割先验融合到新的模型中，通过网络的再学习来解决前景/背景的分割歧义以及多图像的分割一致性。最后通过构建全连接条件随机场模型，将深度卷积神经网络的识别能力和全连接条件随机场优化的定位精度耦合在一起，更好地处理边界定位问题。

Pytorch框架全流程开发医学影像课程，2023年1月新课 本课程以实践为目的，把深度学习概念及基础学习贯穿在几个实践项目中，带领你们进入PyTorch深度学习的世界，使用PyTorch将其一一实现。

先安装环境 ----> 使用data_classify.py文件进行训练集与测试集分割 ----> 在进行训练即可 数据准备：当前数据存放 data_name 文件夹内 文件夹名就是类别名，n个类别就是n个文件夹 目录主要结构组成： model_AlexNet.py ----> 自己建的AlexNet模型（可选其他模型） model_Vgg16.py ----> pytorch自带更改的模型（可选其他模型） train.py ----> 用于训练模型 test.py ----> 用于测试模型 辅助文件： data_classify.py ----> 将 data_name内的类别分为训练集与测试集。 ​ 注意查看代码内容，包含argparse模块 清除单通道图像 -----> 数据清洗，处理异常图像 旧版数据加载 -----> 用于学习图像 数据加载

面部防喷雾剂 使用CASIA-SURF CeFA数据集， 和脸反欺骗任务解决方案。 模型 M，参数 计算复杂度，MFLOP 红绿蓝 深度 红外 损失函数 最佳LR 最低ACER（CASIA-SURF值） 快照 羽毛网 0.35 79.99 :check_mark: :cross_mark: :cross_mark: 交叉熵 3e-6 0.0242 羽毛网 0.35 79.99 :check_mark: :check_mark: :cross_mark: 交叉熵 3e-6 0.0174 羽毛网 0.35 79.99 :check_mark: :check_mark: :check_mark: 交叉熵 1e-7 0.0397 下载 羽毛网 0.35 79.99 :check_mark: :cross_mark: :cross_mark: 失焦 3e-6 0.0066 下载 MobileLiteNet 0.57 270.91 :check_mark: :cross_mark: :cross_m

异常检测作为智能视频监控的研究难点和关键技术，其关键问题就是如何获得更好的特征表示，而深度学习相较于传统方法的优势在于可以自动地从海量数据中学习出有用的特征数据，为异常检测问题提供了一个很好的解决方法。

数据中中包含了大量对图像分割没有意义的数据，因此这里对原始数据集进行有效数据的提取。并且将有效数据集再次进行训练集 + 测试集的划分 注：log 训练文件较大，为了方便上传，这里删去不重要的train结果

这本书讨论这些更直观的问题一种解决方案。这种解决方案是为了让计算机从经验中学习，并通过层次化概念体系来理解世界，其中每个概念通过与较简单概念之间的联系来定义

本科毕业设计——基于深度学习的口罩佩戴检测及人脸识别系统源代码 Run pip install -r requirements.txtin terminal; Run main.py in your IDE or python interpreter;

此演示展示了信号数据示例的完整深度学习工作流程。 我们展示了如何准备、建模和部署基于深度学习 LSTM 的分类算法来识别机械空气压缩机的状况或输出。 我们展示了如何执行深度学习工作流程的以下部分的示例： 第 1 部分 - 数据准备第 2 部分 - 建模第 3 部分 - 部署 该演示是作为 MATLAB 项目实现的，需要您打开该项目才能运行它。 该项目将管理您需要的所有路径和快捷方式。 第一次运行项目时还需要一个重要的数据副本。 第 1 部分 - 数据准备本示例说明如何提取将用作LSTM深度学习网络输入的声学特征集。 跑步： 打开 MATLAB 项目 Aircompressorclassification.prj 打开并运行 Part01_DataPreparation.mlx 第 2 部分 - 建模此示例展示了如何训练 LSTM 网络对包括健康和不健康信号的多种操作模式进行分类

Grokking Deep Learning 最新版（16章），含github代码（ipynb）。335页。