基于ResNet152的模型结构：ResNet152_ImageNet_CNTK

megengine框架的图像分类ResNet152模型(ImageNet)

resnet152-b121ed2d.pth

resnet152.prototxt 和 resnet152.caffemodel 来源：https://github.com/KaimingHe/deep-residual-networks中提供的OneDrive链接

残差resnet网络 caffe resnet152 Imagenet pre-trained模型

TensorFlow2.0_ResNet 使用TensorFlow-2.0的ResNet（ ResNet18，ResNet34，ResNet50，ResNet101，ResNet152 ）实现 有关更多的CNN，请参见 。 火车 要求： Python> = 3.6 Tensorflow == 2.0.0 要在自己的数据集上训练ResNet，可以将数据集放在原始数据集文件夹下，目录应如下所示： |——original dataset |——class_name_0 |——class_name_1 |——class_name_2 |——class_name_3 运行脚本split_dataset.py将原始数据集拆分为训练集，有效集和测试集。 更改config.py中的相应参数。 运行train.py开始培训。 评估 运行valuate.py评估模型在测

resnet152在cifar100数据集上训练的权重，从channel distillation 官方github处下载作为teacher net使用

今天小编就为大家分享一篇PyTorch实现ResNet50、ResNet101和ResNet152示例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

为进一步提高红外与可见光融合图像的细节信息,并降低伪影和噪声,提出一种基于ResNet152深度学习模型的红外与可见光图像融合算法。首先,将红外与可见光图像分解成低频部分和高频部分;然后,运用平均权重策略对低频部分进行融合,生成新的低频部分,使用ResNet152网络对高频部分进行特征提取,得到多个特征层,对特征层分别进行L1正则化、卷积运算、双线性插值上采样和最大选择策略得到最大权重层,由最大权重层和高频部分相乘得到新的高频部分;最后,由新的低频部分和高频部分对图像进行重建,获得融合后的红外与可见光图像。实验结果表明,该算法在保留图像显著特征的同时使融合图像获得了更多的细节纹理信息,且有效地降低了伪影和噪声,其主观评价和客观评价都优于对比算法。

resnet152_v1d.ckpt.data-00000-of-00001