matlab代码先保存在运行超密集网 pytorch的新版本已实施 该存储库将包含HyperDenseNet的代码，HyperDenseNet是超密集连接的CNN，用于在多模式图像场景中分割医学图像。 除其他外，该网络在MRBrainS MICCAI挑战赛中排名第一 如果您发现这项工作对您的研究有用，请考虑引用以下工作： Dolz J，Gopinath K，Yuan J，Lombaert H，Desrosiers C，Ben Ayed I.`` IEEE TMI.2018年10月30日。 Dolz J，Desrosiers C，Wang L，Yangg J，Shen D，Ben Ayed I.“。IEEE国际生物医学成像研讨会（ISBI），616-620 拟议的HyperDenseNet的一部分的详细信息。 内容 要求 该代码已用Python（2.7）编写，并且需要 您还应该已经安装 （可选）该代码允许以Matlab和Nifti格式加载图像。 如果您想使用nifti格式，则应安装 由于您现在可能无法共享医学数据，因此我没有在相应的文件夹中包含任何样本。 为了进行实验，您必须将数据包括在

Matlab代码金字塔DCPDN 密集连接的金字塔除雾网络（CVPR'2018） ， []（CVPR'18） 我们提出了一种新的端到端单图像除雾方法，称为密集连接金字塔除雾网络（DCPDN），该方法可以共同学习透射图，大气光和除雾。 通过将大气散射模型直接嵌入到网络中来实现端到端学习，从而确保所提出的方法严格遵循物理驱动的散射模型进行除雾。 受到密集网络的启发，该网络可以最大化沿不同级别特征的信息流，我们提出了一种具有多级金字塔池模块的边缘保持密集连接的编码器/解码器结构，用于估计传输映射。 该网络使用新引入的边缘保留丢失功能进行了优化。 为了进一步结合估计的透射图和去雾结果之间的相互结构信息，我们提出了一种基于生成对抗网络框架的联合判别器，以决定相应的去雾图像和估计的透射图是真实的还是假的。 进行了消融研究，以证明在估算的透射图和除雾后的结果中评估的每个模块的有效性。 大量的实验表明，与现有技术相比，该方法具有明显的改进。 @inproceedings{dehaze_zhang_2018, title={Densely Connected Pyramid Dehazing Net

针对分割核磁共振成像(MRI)三维图像中整个肿瘤病灶运算量大、过程繁复的问题,提出了一种基于深度学习的全自动分割算法。在填充锯齿状空洞的卷积通路上构建并行三维卷积神经网络,提取多尺度图像块进行训练,捕获大范围空间信息。利用密集连接的恒等映射特性,将浅层特征叠加到网络末端,在MRI多模态图像中分割出水肿区、增强区、核心区和囊化区。在BraTS 2018数据集中对该模型进行了分割测试,结果表明,该模型分割的全肿瘤区、核心区和增强区的平均Dice系数分别为0.90、0.73和0.71,与已有算法相当,且具有较高的自动化集成度。

密集连接的时延神经网络 在我们的论文 的密集 （INTERSPEECH 2020）中，密集连接的时延神经网络（D-TDNN）的PyTorch实施。 什么是新的 :warning: [2021-02-14]我们在添加了一个impl选项，现在您可以选择： 'conv'：通过F.conv1d实现TDNN。 'linear'：通过F.unfold和F.linear实现TDNN。 检查此以获取更多信息。 请注意，尚未完成“ conv”的预训练模型。 [2021-02-04]此存储库中的TDNN（默认实现）比nn.Conv1d慢，但我们采用它是因为： 此仓库中的TDNN还用于创建nn.Conv1d（非对称填充）不完全支持的F-TDNN模型。 nn.Conv1d（dilation> 1，bias = True）训练缓慢。 但是，这里我们不使用F-TDNN，我们总是在D-TDNN中设置bias = F

针对图像超分辨率重建过程中出现的边缘细节模糊、图像特征丢失的问题,提出基于密集连接的生成对抗网络图像超分辨率重建算法。该算法由生成网络和判别网络组成,在生成网络结构中,将原始低分辨率图像作为网络的输入,为了实现对特征的充分利用,采用密集连接方式将浅层网络的特征输送到深层网络结构的每一层,有效避免图像特征的丢失。并在末端进行亚像素卷积,对图像进行反卷积操作,完成图像最终的超分辨率重建,大大减少了训练耗时。在判别网络结构中,采用6个卷积模块和一个全连接层对真伪图像进行甄别,采用对抗博弈的思想,提升重建图像的质量。实验结果表明,本文算法在视觉效果评估、峰值信噪比值、结构相似性值以及耗时等多方面指标上都有了很大的改善,恢复出较为丰富的图像细节信息,取得了较好的视觉效果和综合特性。

密集连接的注意力金字塔残差网络用于人体姿势估计。

行业分类-物理装置-基于密集连接解码网络的轮廓检测方法.zip

（含实验代码）采用密集连接网络分别从两个方面进行预测，一方面是没有使用K折验证，预测结果不好，另一方面是加入K折验证改进后的结果，最后预测的房价与真实值基本符合。

主要是将SE模块融合到密集连接模块，并使用共享显存的方式减少显存的大小。