使用深卷积网络的自动照片质量增强的软件和预训练模型

pytorch FCN easiest demo 不断更新中~ 这个repo是在读论文时的一个pytorch简单复现，数据集很小，是一些随机背景上的一些包的图片（所有数据集大小一共不到80M），如下图 关于此数据集详细信息，见 根据论文实现了FCN32s、FCN16s、FCN8s和FCNs 部分代码参考了 使用visdom可视化，运行了20个epoch后的可视化如下图： 1.如何运行 1.1 我的运行环境 Windows 10 CUDA 9.x （可选） Anaconda 3 （numpy、os、datetime、matplotlib） pytorch == 0.4.1 or 1.0 torchvision == 0.2.1 visdom == 0.1.8.5 OpenCV-Python == 3.4.1 1.2 具体操作 打开终端，输入 python -m visdom.server 打

含作业文件+完整数据集+图片文件。上传的是已经做过一遍了版本，可以作为答案，如果要自己做一遍就把start code到end code之间的删掉就行了。那之间的就是作业要求写的代码

张量流 概述 这是Tensorflow实现，用于 。 要下载培训/测试所需的数据，请参阅数据目录中的README.md。 档案文件 VDSR.py：主要培训文件。 MODEL.py：模型定义。 MODEL_FACTORIZED.py：因式分解CNN的模型定义。 （不建议使用。仅用于记录目的） PSNR.py：定义如何在python中计算PSNR TEST.py：测试所有保存的检查点 PLOT.py：从TEST.py绘制测试结果 如何使用 训练 # if start from scratch python VDSR.py # if start with a checkpoint python VDSR.py --model_path ./checkpoints/CHECKPOINT_NAME.ckpt 测验 # this will test all the checkpoint

DropBlock实现一种PyTorch中卷积网络的正则化方法

利用深度学习的案例

用于时间序列分类的多元LSTM-FCN MLSTM FCN模型（来自 FCN）使用最新的单变量时间序列模型（来自的最新的单变量时间序列模型，LSTM-FCN和ALSTM-FCN来增强挤压和激励块。 对于LSTM-FCN和ALSTM-FCN模型的代码可以在这里找到 。 安装 下载存储库并应用pip install -r requirements.txt安装所需的库。 具有Tensorflow后端的Keras已用于开发模型，并且目前不支持Theano或CNTK后端。 权重尚未通过这些后端进行测试。 注意：所有模型的“输入”层的输入都将被预先混洗为形状（“批量大小”，“变量数”，“时间步数”）

基于深度反卷积网络的虹膜定位方法研究基于深度反卷积网络的虹膜定位方法研究

可变形卷积网络的官方实现，Deformable Convolutional Networks

根据深度学习的原理，用pytorch实现猫狗分类算法，识别率98%。时间在20ms内。利用自己修改的卷积神经网络实现的，值得学习的好例子