注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 反卷积神经网络

  2. 反卷积跟1维信号处理的反卷积计算是很不一样的，FCN作者称为backwards convolution，有人称Deconvolution layer is a very unfortunate name and should rather be called a transposed convolutional layer. 我们可以知道，在CNN中有con layer与pool layer，con layer进行对图像卷积提取特征，pool layer对图像缩小一半筛选重要特征，对于经典的图

  3. 所属分类：深度学习

    • 发布日期：2018-03-28
    • 文件大小：8mb
    • 提供者：lzfzzu

  1. CNN可视化& 反卷积.zip

  2. 2014 ECCV 深度学习卷积神经网络开始之作，CNN可视化，介绍了CNN不同层的作用及特征图的可视化，2011 ICCV 可视化反卷积论文

  3. 所属分类：深度学习

    • 发布日期：2020-04-30
    • 文件大小：37mb
    • 提供者：xiao_9626

  1. 基于反卷积的卷积神经网络特征可视化.zip

  2. 基于反卷积实习卷积神经网络的特征可视化，可视化的网络模型为VGG-19，将每一卷积层的特征图可视化，数量可以自己设置。

  3. 所属分类：互联网

    • 发布日期：2020-05-27
    • 文件大小：624kb
    • 提供者：qq_36771850

  1. 卷积神经网络在肝包虫病CT图像诊断中的应用

  2. 探讨卷积神经网络(Convonlutional Neural Network，CNN)在肝包虫病CT图像诊断中的应用。选取两种类型的肝包虫病CT图像进行归一化、改进的中值滤波去噪和数据增强等预处理。以LeNet-5模型为基础提出改进的CNN模型CTLeNet，采用正则化策略减少过拟合问题，加入Dropout层减少参数个数，对二分类肝包虫图像进行分类实验，同时通过反卷积实现特征可视化，挖掘疾病潜在特征。结果表明，CTLeNet模型在分类任务中取得了较好的效果，有望通过深度学习方法对肝包虫病提供辅助

  3. 所属分类：其它

    • 发布日期：2020-10-15
    • 文件大小：305kb
    • 提供者：weixin_38634037

  1. 卷积神经网络人脸检测算法

  2. 传统人脸检测算法往往不能自动地从原始图像中提取有用的检测特征，而卷积神经网络可以轻易地提取高维度的特征信息，广泛用于图像处理领域。针对上述缺点，采用简单高效的深度学习Caffe框架并通过AlexNet网络训练，数据集为LFW人脸数据集，得出一个模型分类器，对原始图像数据进行图像金字塔变换，并通过前向传播得到特征图，反变换得出人脸坐标，采用非极大值抑制算法得出最优位置，最后达到一个二分类的人脸检测结果。该方法可以实现不同尺度的人脸检测，具有较高的精度，可用于构建人脸检测系统。

  3. 所属分类：其它

    • 发布日期：2020-10-15
    • 文件大小：698kb
    • 提供者：weixin_38528463

  1. ADMM_3DDnCNN_HSI_deconvolution:实施论文“通过3DDnCNN学习光谱空间先验以进行高光谱图像反卷积”（ICASSP 2020）-源码

  2. 通过3DDnCNN学习光谱空间先验以进行高光谱图像反卷积 脚步： 运行Cave_processing.py以处理公共数据集CAVE； 运行get_kernel.py以获得本文中使用的服务器模糊内核。 运行blurring_image.m以使原始高光谱图像与获得的内核模糊； 运行main_con.py是高光谱图像反卷积的主要功能。 如果要训练和测试去噪神经网络3DDnCNN，请执行以下操作： 运行train.py来训练3DDnCNN; 运行test.py以测试3DDnCNN; 如有

  3. 所属分类：其它

  1. 学习反卷积深度神经网络进行高分辨率医学图像重建

  2. 学习反卷积深度神经网络进行高分辨率医学图像重建

  3. 所属分类：其它

  1. 地理选择反演：由Mohd-Razak和Jafarpour（2020）发表于“计算地球科学”的“基于卷积神经网络（CNN）的不确定地质情况下基于特征的模型校准”的实现和演示-源码

  2. 地理选择反演 Mohd-Razak和Jafarpour（2020）在计算地球科学中发表的实现和演示。 本文提出了用于动态流响应数据集成的卷积神经网络体系结构，以减少地质场景中的不确定性并校准地下流模型。 geo-selection-inversion │ └─── mnist │ └─── 2d-gaussian │ └─── 2d-fluvial 基于MNIST数据集，2D高斯场数据集和2D河床场数据集（请参阅文件夹结构）的演示都存储在此存储库中。 注意请在派生主存储库（包括

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：12mb
    • 提供者：weixin_42134338

  1. 卷积神经网络反向传播理论推导

  2. 本文来自于csdn，本文首先简单介绍CNN的结构，并不作详细介绍.然后讲解反向传播理论。本文只要讲解CNN的反向传播，CNN的反向传播，其实并不是大多所说的和全连接的BP类似，CNN的全连接部分的BP是与它相同，但是CNN中卷积--池化、池化--卷积部分的BP是不一样的，仔细推导，还是有很多细节地方需要思考的，比如1、在前向传播的过程中，卷积层的输入，是通过卷积核与前一层的输出特征图卷积得来的，那么在反向传播的过程中该怎么处理？这个就与全连接神经网络不同了。2、由于在前向传播的时候，池化层会对前

  3. 所属分类：其它

  1. 融合特征和决策的卷积-反卷积图像分割模型

  2. 基于全卷积网络提出了一种图像分割模型以获取目标分割结果, 模型包含两个结构相同的深层神经网络分支, 每个分支采用卷积-反卷积的结构实现特征提取和从特征恢复目标区域; 两个分支接收不同类型图像输入, 将来源于两个分支的结果通过加权融合得到最终的分割结果。模型融合了不同图像源的多级尺度特征, 在训练样本数有限的情况下, 通过数据增强使训练得到的模型稳健性更强。在光学图像数据集Weizmann horse和遥感影像数据集Vaihigen上进行实验, 并与相关文献进行比较, 结果表明, 所提模型具有更高

  3. 所属分类：其它

  1. 手写方程式求解：使用卷积神经网络求解手写方程-源码

  2. 手写方程式求解 使用卷积神经网络求解手写方程 要求 OpenCV 凯拉斯 介绍 在这个项目中，我尝试使用opencv和pretrain resnet50模型评估手写表达式。 为了测试项目，我在油漆上创建了手写表达并将图像加载到Evaluate_Equation.ipynb中 代码说明 1. Extract_data.ipynb 从数据集中加载图像 图像->灰度->图像取反 查找轮廓 按boundingRect排序 查找具有最大面积的矩形 裁剪图片 将图像调整大小并调整为一维数组 附

  3. 所属分类：其它

    • 发布日期：2021-02-19
    • 文件大小：29kb
    • 提供者：weixin_42120563

  1. CoolConvNN：完整，简单，酷的卷积神经网络框架，从头开始构建，可与OpenMP并行运行并且几乎没有依赖关系。 支持定制架构-源码

  2. CoolConvNN 完整，简单，酷的卷积神经网络框架，从头开始构建，可与OpenMP并行运行且几乎没有依赖关系。 支持自定义架构。 介绍 该项目旨在以C语言实现无障碍深度学习框架的无依赖实现。 当前功能，激活，优化器和层： 卷积层 MaxPool层 全连接层 批量标准化 ReLU激活 小批量随机梯度下降 去做： 注意层 反卷积层 退出 泄漏的ReLU激活 亚当优化器 它使用LodePNG（ ）进行png浮点数组转换。 支持外部数据，格式为csv： 835,4096,2,maske

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：105kb
    • 提供者：weixin_42134240

  1. 综合深度卷积神经网络的摆扫影像反演恢复算法

  2. 为解决卫星摆扫获得的遥感影像存在畸变和像质退化的问题,提出一种分辨率反演与深度卷积网络相结合的几何校正与图像增强方法。摆扫过程中,空间相机的摆扫角和单位视场角恒定,探测器像面的像素与相机光轴指向的地面景物一一对应,根据这两点,像面上畸变的景物可以被精确地反演恢复。其次,采用真实的遥感影像作为样本,训练了针对遥感影像的深度卷积网络框架,解决了反演恢复过程中的影像模糊问题,增强了校正后影像的视觉效果。实验中,畸变校正后的影像很大程度地恢复了地面景物的原有几何特性。采用无参考图像质量评价指标(NR-I

  3. 所属分类：其它

    • 发布日期：2021-02-13
    • 文件大小：12mb
    • 提供者：weixin_38746818

  1. 基于卷积神经网络的端到端多光谱图像压缩方法

  2. 针对多光谱图像的空谱相关特性,提出一种基于卷积神经网络的端到端多光谱图像压缩方法。编码端,将多光谱数据整体输入到多光谱图像压缩网络中,采用卷积提取多光谱图像的主要光谱特征与空间特征,使用下采样减小特征数据的尺寸,并通过率失真优化控制光谱特征与空间特征数据的熵,使空谱特征数据分布更加紧凑,将量化后的中间特征数据进行无损熵编码得到压缩码流。解码端,码流经过熵解码、逆量化、上采样、反卷积的逆变换过程重构多光谱图像。实验结果表明,相同码率下该方法能有效保留多光谱图像谱间信息,并在图像恢复质量上比JPEG

  3. 所属分类：其它

    • 发布日期：2021-02-13
    • 文件大小：11mb
    • 提供者：weixin_38747978

  1. 基于改进的全卷积神经网络的资源三号遥感影像云检测

  2. 提出了基于改进的深度学习全卷积神经网络的资源三号遥感影像云检测方法。将预训练后的深层卷积神经网络全连接层改为全卷积层，采用反卷积方法对特征图进行上采样，优化改进网络结构，并采用Adam梯度下降法加速收敛。利用资源三号云区影像数据集对网络进行训练，将上采样后的影像特征输入sigmoid分类器进行分类。实验结果表明，该方法检测精度和速度均优于传统方法，准确率可达90.11%，单张影像检测耗时可缩短至0.46 s。

  3. 所属分类：其它

  1. 基于卷积神经网络的单幅图像超分辨

  2. 与传统的超分辨算法相比, 基于卷积神经网络的超分辨算法具有较大优势, 但仍存在训练时间较长、重建图像纹理不够清晰等问题。基于此, 在原有的卷积神经网络超分辨重建算法基础上进行了以下优化：放弃原有的修正线性单元函数, 改用新的激活函数; 改变网络结构, 图像重建由最后的反卷积上采样来实现; 采用自适应矩估计优化算法替换原本的随机梯度下降优化算法。分别在Set5和Set14测试集上进行对比实验, 实验结果表明, 改进算法在较少的训练时间下, 峰值信噪比最大提高了2.33 dB, 纹理更加清晰, 边缘

  3. 所属分类：其它

  1. Supplement 卷积神经网络的图像分类方法

  2. 传统的卷积神经网络(CNN)通常会丢弃负值特征信息, 进而影响着图像分类的效果. 针对 CNN 更好地学习图像特征的问题, 对传统的 CNN 模型进行改进, 提出 Supplement CNN 模型. 首先将卷积层得到的特征图取反, 并同原特征图一起作用 Leaky ReLU 激活函数以保留图像的负值特征信息; 然后传递至下一层, 增加前向传播的特征信息, 影响反向传播算法的权值更新, 以有利于图像的分类; 最后通过实验阐述了 Supplement CNN 模型受网络层数的影响情况. 与传统的

  3. 所属分类：其它

    • 发布日期：2021-02-08
    • 文件大小：730kb
    • 提供者：weixin_38617196

  1. 基于卷积神经网络的深度图超分辨率重建

  2. 针对传统深度图超分辨率重建算法需要人工提取特征、计算复杂度较高且不容易得到合适表示特征的问题, 提出一种基于卷积神经网络(CNN)的深度图超分辨率重建算法。该算法不需要提前对特定的任务从图像中提取具体的手工特征, 而是模拟人类的视觉系统对原始深度图进行层次化的抽象处理以自主地提取特征。该算法直接进行从低分辨率深度图到高分辨率深度图的映射学习。映射由7个卷积层和1个反卷积层联合实现。卷积操作学习丰富的图像特征, 而反卷积实现上采样重建高分辨率的深度图。Middlebury RGBD数据集的实验结果

  3. 所属分类：其它

  1. 重构特征联合的多域卷积神经网络跟踪算法

  2. 针对MDNet跟踪算法网络模型中存在的特征稳健性差以及目标背景信息丢失导致跟踪失败的问题,提出一种基于重构特征联合的多域卷积神经网络视觉跟踪算法。基于末端卷积层提取的目标高级特征,使用反卷积操作上采样,获得了包含目标背景信息的重构特征,再通过联合目标高级特征和背景信息的重构特征的方式增强特征的稳健性,达到了有效区分目标和背景的目的,适用于解决跟踪过程中出现的目标遮挡、形变、光照变化等问题。将本文算法分别在OTB50和VOT2015跟踪测试集上进行测试,与MDNet算法相比,跟踪精度提升1.53%

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：20mb
    • 提供者：weixin_38589314

  1. 结合均值漂移分割与全卷积神经网络的高分辨遥感影像分类

  2. 针对目前遥感影像分类应用中常用的浅层机器学习算法无法满足当前海量遥感影像数据环境下分类精度的问题, 提出了一种将全卷积神经网络应用于遥感影像分类的方法；为了减少影像特征图在池化过程中自身特征的丢失, 增加池化层与反卷积层的融合；为了提高融合的可靠性, 增加尺度变换层；为了获得更精细的边缘分类结果, 考虑像素之间的空间相关性, 采用均值漂移聚类分割获取像素的空间关系, 通过统计聚类区域像素概率的和最大、方差最小的方法确定该区域对象的类别；选取典型地区的影像进行分类实验, 并将所提出的分类方法与全卷

  3. 所属分类：其它

« 12 3 »