1. 二维卷积实验 手写二维卷积的实现，并在至少一个数据集上进行实验，从训练时间、预测精度、Loss变化等角度分析实验结果（最好使用图表展示）（只用循环几轮即可）。 使用torch.nn实现二维卷积，并在至少一个数据集上进行实验，从训练时间、预测精度、Loss变化等角度分析实验结果（最好使用图表展示）。 不同超参数的对比分析（包括卷积层数、卷积核大小、batchsize、lr等）选其中至少1-2个进行分析。 2. 空洞卷积实验 使用torch.nn实现空洞卷积，要求dilation满足HDC条件（如1,2,5）且要堆叠多层并在至少一个数据集上进行实验，从训练时间、预测精度、Loss 变化等角度分析实验结果（最好使用图表展示）。 将空洞卷积模型的实验结果与卷积模型的结果进行分析比对，训练时间、预测精度、Loss变化等角度分析。 不同超参数的对比分析（包括卷积层数、卷积核大小、不同dilation的选择，batchsize、lr等）选其中至少1-2个进行分析（选做）。 3. 残差网络实验 实现给定结构的残差网络，在至少一个数据集上进行实验，从训练时间、预测精度、L

二维卷积实验（平台课与专业课要求相同） 1.手写二维卷积的实现，并在至少一个数据集上进行实验，从训练时间、预测精度、Loss变化等角度分析实验结果（最好使用图表展示） 2.使用torch.nn实现二维卷积，并在至少一个数据集上进行实验，从训练时间、预测精度、Loss变化等角度分析实验结果（最好使用图表展示） 3.不同超参数的对比分析（包括卷积层数、卷积核大小、batchsize、lr等）选其中至少1-2个进行分析 4.使用PyTorch实现经典模型AlexNet并在至少一个数据集进行试验分析 （平台课同学选做，专业课同学必做）（无GPU环境则至少实现模型） 5.使用实验2中的前馈神经网络模型来进行实验，并将实验结果与卷积模型结果进行对比分析（选作） 空洞卷积实验（专业课） 1.使用torch.nn实现空洞卷积，要求dilation满足HDC条件（如1,2,5）且要堆叠多层并在至少一个数据集上进行实验，从训练时间、预测精度、Loss 2.变化等角度分析实验结果（最好使用图表展示）将空洞卷积模型的实验结果与卷积模型的结果进行分析比对...... 残差网络实验（专业课） 1.实现给定 2.

基于ResNet残差神经网络的图像隐藏信息识别模型.zip 基于ResNet残差神经网络的图像隐藏信息识别模型.zip 基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于

cifar10文件夹：包括了cifar10原数据库 kaggle文件夹：包括了在kaggle上训练好的模型，以及日志文件 model文件夹：包括了本地cpu训练好的模型 src文件夹：kaggle_tensorboard.py: 用于使用tensorboard展示kaggle上训练的日志 model.py: 神经网络模型 res_model：残差网络模型 有问题就发邮件。GuanlinLi_BIT@163.com

针对齿轮视觉微小缺陷，采用一种基于深度学习算法的Mask R-CNN网络进行检测，并对网络进行相应地优化调整.首先，通过比较5种残差神经网络检测效果，选择resnet-101作为图像共享特征提取网络.然后，剔除特征金子塔网络中对特征图P5进行的不合理的3×3卷积，缺齿检出率指标相应得到提升.最后，为了对候选区域网络进行有效的训练，根据设计的样本标注方案中小范围波动的标注尺寸，设置合适的anchors大小以及宽高比.最终，经过优化的Mask R-CNN网络达到了98.2%缺齿检出率.

resnet_ssd_face_detection 说明        用 OpenCV 调用 Caffe 框架以及训练好的残差神经网络进行人脸检测     流程 加载模型     - .prototxt 为调用 .caffemodel 时的测试网络文件     - .caffemodel 为包含实际图层权重的模型文件

基于残差神经网络的矿井图像重构方法.pdf