FGSM：resnet50上的快速梯度符号方法实现

图像相似度 使用Resnet50+KNN在数据集中查找相似图像以获取新图像。 为了解决curse of dimensionality使用PCA来降低特征的维数。 Resnet50（在imageNet上训练） 在没有toplayer的情况下从keras创建Resnet50，以获取卷积特征（2048维）作为输出，而不是图像分类概率。 为数据集的每个图像提取卷积特征（Feature_size：[number_images，2048]）。 KNN（不是分类问题） 将最近邻算法拟合到从数据集中提取的特征 提取测试图像（新）的卷积特征，并计算测试图像与数据集的每个图像之间的距离（image_Similarity）。 PCA 将PCA应用于提取的特征并减小尺寸。 使最近邻算法适合新功能

Official source code of "Batch DropBlock Network for Person Re-identification and Beyond" (ICCV 2019) 重识别问题的难点主要在于姿态的多变，随机遮挡等会降低模型的精度，抽取局部关注点信息，随机的去除batch中输入feature map的相同区域。然后将两个分支的输出concat，这种方式不但能够应用到重学习中也能够应用到其他场景。

基于Pytorch+resnet50的农作物病虫害识别分类项目源码+病害数据集+项目说明文档.zip 【数据增强】 data_aug.py 用于线下数据增强，支持的增强方式： 高斯噪声 亮度变化 左右翻转 上下翻转 色彩抖动 对比度变化 锐度变化 【使用方法】 第一步：将测试集图片复制到 data/test/ 下 第二步：将训练集合验证集中的图片都复制到 data/temp/images/ 下，将两个 json 文件放到 data/temp/labels/ 下 执行 move.py 文件 执行 main.py 进行训练

深度学习作业_基于resnet50和vgg16网络pytorch框架实现猫狗分类完整源码+代码注释+实验报告.zip 猫狗分类，使用Kaggle猫狗分类的原始数据集，实现模型最终的准确率达到75%及以上。本实验的目的： 为了进一步掌握使用深度学习框架进行图像分类任务的具体流程如：读取数据、构造网络、训练和测试模型 掌握经典卷积神经网络VGG16、ResNet50的基本结构

沟通是聋哑社区和社会其他成员之间的障碍。 手语用于在这些不会说话和听不懂的人之间进行交流。 在过去的几年中，手语识别的自动化已引起研究人员的关注。 已经开发了许多复杂且昂贵的硬件系统来辅助该目的。 但是，我们建议使用深度学习方法进行自动手语识别。 我们设计了一种基于ResNet50的新型2级深度神经网络体系结构来对拼写单词进行分类。 使用的数据集是标准的[1]的美国手语手势数据集。 首先使用各种扩充技术来扩充数据集。 在基于2级ResNet50的方法中，1级模型将输入图像分类为4组之一。 在将图像分类为一组图像之后，将其提供为相应的第二级模型的输入，以用于预测图像的实际类别。 我们的方法在12,048张测试图像上产生了99.03％的精度。

deeplabv3-resnet50-coco torch

知识蒸馏IRG算法实战：使用ResNet50蒸馏ResNet18 的源代码。详细看文章：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/127912648?spm=1001.2014.3001.5501

ResNet50分类训练模型，使用flowers102数据集利用paddlepaddle平台训练，此处包含paddle、onnx、ir、engine四种格式模型文件，可以在Paddle Inference\OpenVINO、NVIDIA TensorRT以及ONNX runtime等部署平台使用。

本图文案例重点分析和展MindX SDK Se-Resnet50开发流程：创建工程;代码开发并且分享模型代码网址，并解释关键代码构成;数据准备及模型准备，模型转换功能介绍;运行测试