PART ONE/为什么需要图神经网络 PART TWO/什么是图神经网络（包括图的基本知识，及基本GNN的操作） PART THREE/图神经网络的变体（图神经网络的3个变体，图卷积神经网络（又可分为基于空间域的图卷积神经网络和基于频域的图卷积神经网络），基于注意力的图神经网络，基于自编码器的图神经网络）。包括DCNN（Diffusion-Convolution Neural Network、NN4G（Neural Networks for Graph）、MPNN：Message Passing Neural Network、GAT （Graph Attention Network）、图自编码器（graph autoencoder，GAE）、变分图自编码器（variational graph autoencoder，VGAE） PART FOUR/应用，在自然语言处理方面的应用，在计算机视觉方面的应用，在推荐系统方面的应用，在预测问题方面的应用

使用卷积神经网络实现心电异常分类，内含损失函数，验证集、测试集等

深卷积神经网络（DCNN）的一个显着优势是它们对局部复杂结构的表示能力。 受此观察结果的启发，提出了一种基于DCNN的残差学习模型，以学习高分辨率（HR）和低分辨率（LR）图像块之间的非线性映射函数。 DCNN是基于图像块进行训练的，这些图像块仅从HR / LR全色（PAN）图像中采样而没有其他训练图像。 我们训练DCNN以基于反向传播的小批量梯度下降来获得具有HR / LR PAN补丁对的非线性映射函数。 从转移学习方法的观点出发，通过假设HR / LR多光谱（MS）图像在HR / LR PAN图像块之间共享相同的映射功能，可以使用训练后的DCNN从观察到的LR MS图像重建HR MS图像。 由于残差学习机制的优点，该方法可以在保持光谱特征的同时实现良好的几何细节注入。 实验结果表明，与传统方法相比，该方法在视觉感知和数值测量方面均具有更好的性能。

视觉系统实验室：在GPU上学习计算机视觉[自述文件未定期更新] 作者：Saikat Roy， 波恩大学CudaVision实验室（SS19）的存储库（主要）在PyTorch，Python3和Jupyter笔记本电脑上实现。 该项目从神经网络的基础开始，并延伸到更深层次的模型。 以下项目包含在相应的文件夹中： 项目1：Softmax回归（无autograd / Pytorch张量） 涉及使用softmax回归和手动梯度计算对MNIST数据集进行分类。 经过5次简单的迭代运行后，训练和测试集的准确度分别为0.8931和0.8866 。 项目2：多层神经网络 涉及在PyTorch上使用香草SGD进行简单的多层神经网络训练，并通过k倍蒙特卡洛交叉验证进行超参数（学习率和批量大小）搜索。 分类是在CIFAR-10数据集上完成的。 下面给出了在3072-128-128-10体系结构上进行50次

针对传统肺结节检测准确率低，且存在假阳性高的问题，提出了一种改进Faster R-CNN检测候选结节，以及改进的3D DCNN去除假阳性的算法。考虑到结节的形状大小等因素，在Faster R-CNN上更改锚点数量和尺寸检测结节的鲁棒性，并在特征提取器的最后一层添加一个反卷积层，在网络特征图上根据结节尺寸添加小型滑动网络以使网络自适应生成感兴趣区域，获取候选结节。为了去除假阳性结节，在2D DCNN基础上调整卷积核参数，引入时间维度生成3D DCNN，并利用Adam算法调整网络学习率更改网络权重参数，采用数据增强策略进一步提取结节的全局特征。LIDC-IDRI数据集上的实验结果表明，所提出的算法平均检测准确率达到97.71%，同时降低了误诊率和漏诊率。

好用的去噪声代码matlab 带对抗训练的深度卷积神经网络用于数字化胸部断层合成图像降噪 该存储库适用于以下论文： M. Gao，JA Fessler和H.-P. Chan，“具有对抗训练的深层卷积神经网络对数字化乳房断层合成图像进行降噪”， IEEE医学影像交易，2021年。DOI：。 数据 训练数据是使用模拟软件准备的。 乳房幻影是由产生的。 我们使用来自GE的基于Matlab的私有CatSim来模拟GE Pristina DBT系统。 尽管最近开放了一个开源，但它并未包含所有模块。 作为一种替代方法，可以在VICTRE软件包中使用以生成PV。 我们使用自己的SART算法和重构DBT。 如果您没有可用的侦察算法，则可以尝试使用VICTRE软件包中的FBP算法。 代码 要求 Python 2.7，TensorFlow 1.4.1。 训练 培训代码是根据以下存储库开发的，在开发培训代码时，您可能会发现它们很有用：，。 部署方式 要部署降噪器，请运行： python deploy_dngan.py 我们提供了5片重建的VICTRE幻影DBT映像（异型，带有某些MC）作为测试部署代码的示例

DCNN用于表格数据 这项工作展示了我们在雷德黑德莱克黑德大学数据科学硕士课程的顶峰项目。 该项目使用不同大小范围的表格数据集，包括Connect4，Covertype，EEG，Letter识别，Hepmass-OS，Hepmass-NS，Hepmass-AS和HIGGS。 这项工作的目的是建立一个可用于表格数据的DCNN模型。 但是，众所周知，DCNN在图像分类方面具有出色的性能。 因此，我们决定制作一个将表格数据转换为图像的系统，随后将图像传递给DCNN模型进行分类。 这项研究工作是由很少的研究人员和编程人员执行的。 在所有这些产品中，我们设计的模型迄今为止可以提供最佳性能。 数据集： 我们已经对不同的数据集进行了实验，以检查模型的容量。 其中包括小型数据集（例如虹膜）到大型数据集（例如HIGGS）。 用于培训和测试的数据集分布如下： 方法： 加载数据集（connect4，cove

matlab精度检验代码3dcnn.torch 使用Torch实现对3D数据进行对象分类的体积CNN（卷积神经网络）。 介绍 这项工作是基于我们的。 我们的论文也将成为CVPR 2016的关注焦点（有关最新结果，请参考arXiv之一）。 在此存储库中，我们发布代码，这些数据用于训练3D数据（二进制体积）上的用于对象分类的体积CNN。 引文 如果您发现我们的工作对您的研究有用，请考虑引用： @article{qi2016volumetric, title={Volumetric and Multi-View CNNs for Object Classification on 3D Data}, author={Qi, Charles R and Su, Hao and Niessner, Matthias and Dai, Angela and Yan, Mengyuan and Guibas, Leonidas J}, journal={arXiv preprint arXiv:1604.03265}, year={2016} } 安装 安装 。 请注意，VolumetricBatch

单层感知器神经网络matlab代码3D卷积神经网络，用于从面部视频进行远程脉搏率测量和映射 在过去几年中，来自面部视频的远程脉搏率测量得到了特别的关注。 研究显示出重大进展，并证明普通摄像机对应于可用于测量大量生物医学参数而无需与受试者接触的可靠设备。 该存储库包含与用于测量和映射视频脉搏率的新框架有关的源代码。 该方法依赖于卷积3D网络，是全自动的，不需要任何特殊的图像预处理（请参见下图）。 网络通过为每个本地像素组生成预测来确保并发映射。 为了训练这种类型的机器学习模型，未压缩和标记的（带有参考脉冲速率值）视频数据的数量非常有限，我们提出了伪PPG合成视频生成器（也包含在此存储库中）。 （顶部）常规方法：将图像处理操作应用于视频流，以检测感兴趣的像素或区域（ROI）。 传统上，在对信号进行频谱或时间滤波器处理之前，是使用ROI上的空间平均运算来计算信号的。 最后，从该信号中估计出诸如脉搏率之类的生物医学参数。 （下）我们建议的方法包括仅使用合成数据来训练人工智能模型。 输入对应于视频流（图像序列）。 该模型预测每个视频补丁的脉冲速率，从而生成预测图，而不是单个估计。 参考 如果您认

为了进一步提高入侵检测系统的检测准确率和检 测效率,提出了一种基于深度卷积神经网络的入侵检测方 法(dCNN)。该方法使用深度学习技术,如tanh、Dropout 和Softmax等,设计了深度入侵检测模型。首先通过数据填 充的方式将原始的一维入侵数据转换为二维的“图像数据”, 然后使用dCNN 从中学习有效特征,并结合 Softmax分类 器产生最终的检测结果。该文基于 Tensorflow-GPU 实现了 该方法,并在一块 NvidiaGTX10603GB的 GPU 上,使用 ADFA-LD和 NSL-KDD数据集进行了评估。结果表明:该 方法减少了训练时间,提高了检测准确率,降低了误报率, 提升了入侵检测系统的实时处理性能和检测效率。