用于烹饪食谱检索的深度学习食物图像识别系统
演示：DeepChef
总览
更新：博客文章现已发布。 有关更多信息，请访问！
例如用法，请访问此Jupyter Notebook：
Maturaarbeit 2018：这项工作利用Keras的深度卷积神经网络将图像分类为230种食物并输出匹配的食谱。 数据集包含来自chefkoch.de的> 400'000食物图像和> 300'000食谱。
几乎没有任何其他领域能像营养一样对人类福祉产生类似的影响。 每天，用户都会在社交网络上发布无数的食物图片； 从第一个自制蛋糕到顶级米其林菜肴，万一菜肴成功，您将与世界分享快乐。 事实是，无论彼此之间有多大差异，美食都会受到大家的赞赏。 个别烹饪原料的分类或对象识别方面的进展很少。 问题在于几乎没有公开编辑的记录。
处理
该代码（Jupyter笔记本）提供了许多德语注释。 该过程如下所示：
1│──数据准备│└──清除数据│└──数据扩充
2│──数据分析和可视化，拆分数据（训练，有效，测试）
3│──使用简单ML模型的首次尝试│└──最近邻分类器（kNN） │└──k-均值聚类│└──支持向量机
2021-09-20 12:35:20
199.37MB
1
ECA-Net代码：深度卷积神经网络的有效通道关注度ECA-Net：高效信道注意性ECA-Net：深度卷积神经网络有效通道注意率这是由Banggu创建的ECA-Net（CVPR2020，论文）的实现吴。
简介最近，通道注意机制已被证明在改善深度卷积神经网络（CNN）的性能方面具有巨大潜力。
但是，大多数现有方法都致力于开发更复杂的注意力模块以实现更好的性能，这不可避免地
2021-09-17 00:33:21
1.06MB
1
TF-VAE-GAN-DRAW
，和TensorFlow实现。
跑
VAE / GAN：
python main.py --working_directory /tmp/gan --model vae
画：
python main-draw.py --working_directory /tmp/gan
深度卷积生成对抗网络在使用默认参数的10个星期后产生了不错的结果。
＃＃＃去做：
更复杂的数据。
添加
用空间变压器层替换当前的注意力机制
2021-09-10 11:10:56
13KB
1
DCDicL用于图像去噪
郑鸿毅*，永鸿伟*，张磊，《 CVPR 2021年的“深度卷积字典学习以进行图像去噪”》（*平等贡献）
DCDicL的实现基于出色的图像恢复工具箱 。
要求
PyTorch 1.6+
漂亮表
tqdm
测验
步骤1
从下载预训练的模型。
解压缩下载的文件并将文件夹放入./release/denoising
第2步
配置options/test_denoising.json 。 重要设置：
任务：任务名称。
路径/根：保存任务的路径
path / pretrained_netG：包含预训练模型的文件夹的路径。
data / n_channels：1表示灰度，3表示颜色。
测试/可视化：对于保存嘈杂的输入/预测字典为true。
第三步
python test_dcdicl.py
训练
培训代码即将发布。
2021-08-15 12:55:02
20KB
1
基于深度卷积特征和HOG特征融合的管道病害识别算法，杨东，杨峰，提出一种利用预训练VGGNet提取的图像特征和HOG特征融合，采用多类SVM识别管道病害的方法。本文利用迁移学习和特征融合的策略，在小样
2021-08-11 15:02:20
752KB
1