Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. 2016. Deep residual learning for image recognition. In CVPR. 770–778. 论文原文

个人学习——论文翻译同时+阅读

resnet ppt refer to Deep Residual Learning for Image Recognition

Deep Residual Learning for Image Recognition原版及翻译及笔记， 博客参考：https://blog.csdn.net/m0_46384757/article/details/125054695 resnet代码参考：https://download.csdn.net/download/m0_46384757/85503785

DnCNN-张量流 TIP2017论文的张量流执行器， 模型架构 结果 BSD68平均结果 BSD68数据集上不同方法的平均PSNR（dB）结果。 噪音等级 BM3D 无线网络 锁相环 MLP 脑脊液 TNRD 神经网络 神经网络 DnCNN-张量流 25 28.57 28.83 28.68 28.96 28.74 28.92 29.23 29.16 29.17 Set12平均结果 噪音等级 神经网络 DnCNN-张量流 25 30.44 30.38 要求 tensorflow >= 1.4 numpy opencv 数据集 我使用BDS500数据集进行训练

机器翻译

这是论文“Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising”的测试演示。 有两种模型，包括高斯去噪的特定/盲模型和高斯去噪的单一模型、单图像超分辨率（SISR）和JPEG图像去块。

Deep Residual Learning for Image Recognition（七月在线DL翻译组2017.4）

深度较之宽度对神经网络具有更重要的意义，能一定程度模拟人脑，但是随着深度的加深，会出现梯度消失问题，阻碍了模型的收敛。Deep Residual Learning for Image Recognition一文给出了一种避免梯度消失的网络模型-深度残差网络，对深度学习的发展至关重要。

田春伟，徐勇，费伦克，王俊谦，文杰和罗楠发布的增强型CNN用于图像去噪，已在2019年CAAI Transactions on Intelligence Technology上发表。该方法由Pytorch实施。 ECNDNet的代码由Profillic（为您的项目提供动力的ML模型和代码的最大集合）收集，为 。 此代码使用Pytorch> = 0.4编写。 1.依存关系 pyTorch（> = 0.4） 火炬视觉 适用于Python的openCv 适用于Python的HDF5 Python 2.73 2.测试ECNDNet 如果噪声级别为15，我们将运行以下commod： python test.py --num_of_layers 17 --logdir sigma15 / --test_data Set68 --test_noiseL 15 或python test.py --num_