ResNet-18 Pre-trained Model for PyTorch.
ResNet-18 PyTorch的预训练模型
ResNet-18_datasets.txt
2021-12-03 09:10:44
186B
1
Img2VecCosSim-Django-Pytorch
提取任何图像的特征向量，并找到余弦相似度以使用Pytorch进行比较。 我已经使用ResNet-18提取图像的特征向量。 最后，开发了一个Django应用程序来输入两个图像并找到余弦相似度。
包装方式：
火炬
Django 2.0
学分：
灵感来自
如何开始：
克隆存储库
git clone https://github.com/MexsonFernandes/Img2VecCosSim-Django-Pytorch
变更目录
cd Img2VecCosSim-Django-Pytorch
安装虚拟环境
pipenv install
安装所有依赖项
pipenv install -r requirements.txt或pip install -r requirements.txt
启动Django服务器
python
2021-11-05 19:59:29
4.55MB
1
这是resnet-18的预训练模型，可以直接加载。还有其它2部分，需要合在一起解压。因为大小限制，所以分块。
2021-10-29 15:15:38
100MB
1
这是resnet-18的预训练模型，可以直接加载。还有其它2部分，需要合在一起解压。因为大小限制，所以分块。
2021-10-29 15:09:14
39.21MB
1
这是resnet-18的预训练模型，可以直接加载。还有其它1部分，需要合在一起解压。因为大小限制，所以分块。
2021-10-29 15:08:59
150MB
1
resnet18-tf2
TensorFlow ResNet的正式似乎未包括ResNet-18或ResNet-34。
该代码库提供了ResNet-18和ResNet-34的简单（ ）TensorFlow 2实现，直接从PyTorch的torchvision转换而来。 模型输出已经过验证，可与火炬视觉模型的输出以浮点精度匹配。
此代码已使用以下软件包版本进行了测试：
tensorflow==2.4.1
pytorch==1.2.0
torchvision==0.4.0
2021-10-18 10:25:12
4KB
1
该模型使用基于磁共振成像 (MRI) 的 ResNet-18 模型检测阿尔茨海默病 (AD)。 在该模型中，我们提出了一种在 3D CNN 中利用迁移学习的方法，该方法允许将知识从 2D 图像数据集 (ImageNet) 迁移到 3D 图像数据集。 为了构建 3D ResNet-18，2D ResNet-18 的 2D 过滤器在第三维中扩展为具有 3D 过滤器。 其余层根据新过滤器进行了调整。 然后，将整个 MRI 用于训练 3D ResNet-18，以对每个人做出一个决定。
我们的结果表明，将转移学习引入3D CNN可以提高AD检测系统的准确性。 这种方法在我们的 ADNI 数据集上实现了 96.88% 的准确度、100% 的灵敏度和 93.75% 的特异性。
此文件夹中目前有一些示例图像。 要访问更多图像，您需要将您的应用程序发送到 ADNI ( http://adni.loni
2021-09-17 12:35:57
118MB
1
ResNet-18是预先训练的模型，已经在ImageNet数据库的子集上进行了训练。 该模型在超过一百万张图像上进行了训练，可以将图像分为 1000 个对象类别（例如键盘、鼠标、铅笔和许多动物）。
从您的操作系统或在MATLAB中打开resnet18.mlpkginstall文件将启动您所拥有版本的安装过程。
此 mlpkginstall 文件适用于 R2018a 及更高版本。
用法示例：
% 访问训练好的模型净 = resnet18();
% 查看架构细节网络层
% 读取图像进行分类I = imread('peppers.png');
% 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:sz(3));
％使用ResNet-18对图像进行分类标签 = 分类（净，我）
% 显示图像和分类结果数字显示（一）
2021-09-03 09:29:05
6KB
1