用于pytorch的图像分类，包含多种模型方法，比如AlexNet，VGG，GoogleNet，ResNet，DenseNet等等，包含可完整运行的代码。除此之外，也有colab的在线运行代码，可以直接在colab在线运行查看结果。

大家好，今天给大家带来一个卷积神经网络（CNN）数学图形识别项目(简单入门版)，这个是人工智能解题的基础，机器首先通过题目识别出题目中的文字和图形，读懂题目的含义，这个是个相对复杂的过程。就在今年的1月4日，麻省理工学院等四所高校的联合研究团队，发布了一项最新研究成果：他们开发了一个神经网络，可以解答出微积分、线性代数等大学数学题。不管是要求计算数值，还是写方程式，或者画出函数图形，都能轻易解答，正确率达到了100%。要知道，在短短几个月前，人工智能解答类似的题，最高正确率不到10%。

基于densenet的铝材缺陷检测，深度学习

使用PyTorch在MURA数据集上的DenseNet 在MURA数据集上实现169层模型的PyTorch实现，灵感来自Pranav Rajpurkar等人的论文 。 MURA是肌肉骨骼X射线照片的大型数据集，其中放射医师手动将每项研究标记为正常或异常。 重要事项： 所实现的模型是169层DenseNet，其单节点输出层使用ImageNet数据集上预先训练的模型中的权重进行初始化。 在将图像馈送到网络之前，将每个图像标准化为具有与ImageNet训练集中的图像相同的均值和标准差，并缩放为224 x 224，并通过随机的横向反转和旋转进行增强。 该模型使用了本文提到的改进的二进制交叉熵损失函数。 每次经过一段时间后，验证损失达到稳定水平，学习率就会下降10倍。 优化算法是默认参数β1= 0.9和β2= 0.999的Adam。 根据MURA数据集文件： 该模型将一个或多个用于上

因为上论文选读课要用，所以做了个PPT，简单介绍了一下DPN、ResNets、DenseNet的网络结构及实验结果

本人依据Densenet121预训练模型进行迁移学习，可识别柑橘叶片的正常、缺镁、黄龙病三种状态，最高准确率可达99.3%，可通过tensorboard进行训练数据图像的获取。

DenseNet-Fast-40-12-CIFAR10.h5 准确率高达93% 可用此直接发布到heroku上

yolov3-ios 在ios平台上使用yolo v3对象检测。 示例应用程序： 快速开始： 在ios中运行tiny_model.xcodeproj。 训练 培训过程主要参考 。 我们将yolov3与。 1.要求 python 3.6.4 keras 2.1.5 张量流1.6.0 2，生成数据集 生成VOC格式的数据集。 并尝试使用python voc_annotations 。 3.开始训练 cd yolov3_with_Densenet 对于带有Darknet的yolo模型： wget https://pjreddie.com/media/files/darknet53.conv.74 将其重命名为darknet53.weights python convert.py -w darknet53.cfg darknet53.weights model_data/darkn

空对地环境下成像视角单一,且需要依靠深层网络提供强特征表达能力。针对深层网络存在的计算量大、收敛速度慢等问题,在稠密连接网络(DenseNet)框架下,提出了一种用通道差异化表示的目标检测网络模型。首先,用DenseNet作为特征提取网络,并用较少的参数加深网络,以提高网络对目标的提取能力;其次,引入通道注意力机制,使网络更关注特征层中的有效特征通道,重新调整特征图;最后,用空对地目标检测数据进行了对比实验。结果表明,改进模型的平均精度均值比基于视觉几何组(VGG16)的单步多框检测算法高3.44个百分点。

基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CN