论文网址 M. Zhao, S. Zhong, X. Fu, et al., Deep residual shrinkage networks for fault diagnosis, IEEE Transactions on Industrial Informatics, DOI: 10.1109/TII.2019.2943898 https://ieeexplore.ieee.org/document/8850096

当Microsoft Research发布用于图像识别的深度残差学习时，深度残差网络席卷了深度学习领域。这些网络在ImageNet和COCO 2015竞赛的所有五个主要赛道中均获得了第一名的入围作品，这些竞赛涵盖了图像分类，对象检测和语义分割。此后，ResNets的鲁棒性已被各种视觉识别任务和涉及语音和语言的非视觉任务证明。 压缩包内包含以下参考文档： 1、深度残差学习以进行图像识别— ResNet（Microsoft Research） 2、广泛的残留网络（巴黎埃斯特大学，巴黎高等技术学校） 3、聚集残余转换为深层神经网络- ResNeXt（Facebook的AI研究）

关于PyTorch 1.2.0 现在，master分支默认支持PyTorch 1.2.0。 由于严重的版本问题（尤其是torch.utils.data.dataloader），MDSR功能被暂时禁用。 如果您必须训练/评估MDSR模型，请使用旧版分支。 EDSR-PyTorch 关于PyTorch 1.1.0 1.1.0更新进行了较小的更改。 现在，我们默认情况下支持PyTorch 1.1.0，如果您喜欢旧版本，请使用旧版分支。 该存储库是CVPRW 2017，第二版NTIRE的PyTorch官方实现，其论文为“用于单图像超分辨率的增强型深度残差网络” 。 您可以从找到原始代码和更多信息。 如果您发现我们的工作对您的研究或出版物有用，请引用我们的工作： [1] Bee Lim，Sanghyun Son，Heewon Kim，Seungjun Nah和Kyoung Mu Lee

1.领域：matlab，深度残差网络 2.内容：基于深度残差网络的人脸眼睛定位算法matlab仿真+代码仿真操作视频 3.用处：用于人脸眼睛定位算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

Monocular Depth Estimation Using Laplacian Pyramid-Based Depth Residuals---->基于拉普拉斯金字塔深度残差的单目深度估计 是一篇优秀的CVPR文档 word全文翻译

论文代码的压缩文件，具体GitHub地址为：https://github.com/zixuannnnnn/DRAAN

这是深度收缩残差网络的pytorch版本的完整实现。数据集为江南大学轴承数据集。

深度残差收缩网络应用于故障诊断(python) Deep Residual Shrinkage Networks for Intelligent Fault Diagnosis（pytorch） 深度收缩残差网络的pytorch版本的完整实现。 数据集为江南大学轴承数据集。

提出了一种基于改进的深度残差网络（residual network，ResNet）的表情识别算法。采用小卷积核和深网络结构，利用残差模块学习残差映射解决了随着网络深度增加网络精度下降的问题，通过迁移学习方法克服了因数据量不足导致训练不充分的缺点；网络架构使用了线性支持向量机（SVM）进行分类。实验中首先利用ImageNet数据库进行网络参数预训练，使网络具有良好的提取特征能力，根据迁移学习方法，利用FER-2013数据库以及扩充后的CK+数据库进行参数微调和训练。该算法克服了浅层网络需要依靠手工特征，深层网络难以训练等问题，在CK+数据库以及GENKI-4K数据库上分别取得了91.333%和95.775%识别率。SVM在CK+数据库的分类效果较softmax提高了1%左右。

matlab代码影响ResDerainNet 使用残留深度学习（ICIP'18）去除单幅图像的雨水 [] 大多数户外视觉系统可能会受到阴雨天气的影响。 在本文中，我们从单个图像中解决了除雨问题。 由于低频层中信息的忽略，一些现有的去雨方法遭受色调变化。 其他人则没有假设足够多的雨天图像模型。 为了解决这些问题，我们提出了一种称为ResDerainNet的残留深度网络体系结构。 基于深度卷积神经网络（CNN），我们从数据中学习了雨天图像和残差图像之间的映射关系。 此外，为了进行训练，我们考虑了各种降雨模型来合成降雨图像。 具体来说，我们主要关注复合模型以及降雨条纹的方向和尺度。 实验表明，我们提出的模型适用于各种图像。 与最先进的方法相比，我们提出的方法在合成图像和现实图像上均能达到更好的效果。 引文 如果使用此代码，请引用本文。 @INPROCEEDINGS{8451612, author={T. {Matsui} and T. {Fujisawa} and T. {Yamaguchi} and M. {Ikehara}}, booktitle={2018 25th IEEE Inte