使用深度卷积网络的语义感知图像压缩 该代码是论文一部分，论文摘要在本页底部提供。 它包括三个部分： 生成感兴趣的多结构区域（MSROI）的代码（使用CNN模型。已提供了预训练的模型） 使用MSROI映射在语义上将图像压缩为JPEG的代码 训练CNN模型的代码（供1使用） 要求： 张量流 脾气暴躁的 大熊猫 Python PIL Python SKimage 有关详细的要求列表，请参阅requirements.txt 推荐： Imagemagick（用于更快的图像操作） VQMT（用于获取指标以比较图像） 目录 如何使用此代码？ 生成地图 ``` python generate_map.py ``` 在“输出”目录中生成地图和覆盖文件。 如果收到此错误 ``` InvalidArgumentError (see above for traceb

本人之前一直在学习医学图像超分辨率重建，这是2016发表在CVPR上的少有的关于超分的文章，经过一段时间的学习制作了这个PPT，可以用来课程演示或者自己对超分重建的学习。

VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION非常经典的VGG-NET框架就是出自这篇文章

onnx2keras ONNX至Keras深度神经网络转换器。 要求 TensorFlow 2.0 原料药 onnx_to_keras(onnx_model, input_names, input_shapes=None, name_policy=None, verbose=True, change_ordering=False) -> {Keras model} onnx_model ：要转换的ONNX模型 input_names ：带有图形输入名称的列表 input_shapes ：覆盖输入形状（实验性的） name_policy ：[' name_policy '，'short'，'default']覆盖图层名称（实验性） verbose ：详细输出 change_ordering:将排序更改为HWC（实验性） 入门 ONNX模型 import onnx from onnx2

Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

In this work we investigate the effect of the convolutional network depth on its accuracy in the large-scale image recognition setting. Our main contribution is a thorough evaluation of networks of increasing depth using an architecture with very small (3×3) convolution filters, which shows that a significant improvement on the prior-art configurations can be achieved by pushing the depth to 16–19 weight layers. These findings were the basis of our ImageNet Challenge 2014 submission, where our team secured the first and the second places in the localisation and classification tracks respectively. We also show that our representations generalise well to other datasets, where they achieve state-of-the-art results. We have made our two best-performing ConvNet models publicly available to facilitate further research on the use of deep visual representations in computer vision.

inet--VGG--Very deep convolutional networks.pdf