基于ResNet残差神经网络的图像隐藏信息识别模型.zip 基于ResNet残差神经网络的图像隐藏信息识别模型.zip 基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于ResNet残差神经网络的图像隐藏信息识别模型.zip基于

cifar10文件夹：包括了cifar10原数据库 kaggle文件夹：包括了在kaggle上训练好的模型，以及日志文件 model文件夹：包括了本地cpu训练好的模型 src文件夹：kaggle_tensorboard.py: 用于使用tensorboard展示kaggle上训练的日志 model.py: 神经网络模型 res_model：残差网络模型 有问题就发邮件。GuanlinLi_BIT@163.com

针对齿轮视觉微小缺陷，采用一种基于深度学习算法的Mask R-CNN网络进行检测，并对网络进行相应地优化调整.首先，通过比较5种残差神经网络检测效果，选择resnet-101作为图像共享特征提取网络.然后，剔除特征金子塔网络中对特征图P5进行的不合理的3×3卷积，缺齿检出率指标相应得到提升.最后，为了对候选区域网络进行有效的训练，根据设计的样本标注方案中小范围波动的标注尺寸，设置合适的anchors大小以及宽高比.最终，经过优化的Mask R-CNN网络达到了98.2%缺齿检出率.

resnet_ssd_face_detection 说明        用 OpenCV 调用 Caffe 框架以及训练好的残差神经网络进行人脸检测     流程 加载模型     - .prototxt 为调用 .caffemodel 时的测试网络文件     - .caffemodel 为包含实际图层权重的模型文件

基于残差神经网络的矿井图像重构方法.pdf