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. niuB的网络反卷积技术

  2. 这是CVPR2010的牛人编写的基于matlab的图像反卷积网络技术的学习训练代码

  3. 所属分类：网络基础

    • 发布日期：2010-09-24
    • 文件大小：11mb
    • 提供者：qzm212422

  1. 基于深度反卷积网络的虹膜定位方法研究

  2. 基于深度反卷积网络的虹膜定位方法研究基于深度反卷积网络的虹膜定位方法研究

  3. 所属分类：深度学习

    • 发布日期：2018-01-10
    • 文件大小：998kb
    • 提供者：qq_35888391

  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. DeconvNet-master.zip

  2. 采用FCN作为基础网络，利用反卷积和上采样操作将输入图像的分辨率恢复到原始大小。

  3. 所属分类：深度学习

    • 发布日期：2018-04-03
    • 文件大小：35kb
    • 提供者：weixin_38437404

  1. Python-使用反卷积网络生成人脸

  2. 使用反卷积网络生成人脸

  3. 所属分类：其它

  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. 基于特征融合的扩展反卷积SSD小目标检测方法

  2. 基于特征融合的扩展反卷积SSD小目标检测方法，刘惠禾，高欣，为了提高SSD在小目标上的检测效果，本文提出一种基于特征融合的扩展反卷积SSD目标检测模型。该模型首先选取基础网络特定层，通过上

  3. 所属分类：其它

    • 发布日期：2020-03-12
    • 文件大小：382kb
    • 提供者：weixin_38699302

  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. 结合反卷积的CT图像超分辨重建网络

  2. 结合反卷积的CT图像超分辨重建网络

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：426kb
    • 提供者：weixin_38711740

  1. 学习反卷积网络的目标跟踪

  2. 可以通过学习顺序跟踪目标外观的模型来解决对象跟踪问题。 因此，鲁棒的外观表示是视觉跟踪中的关键步骤。 最近，深度卷积网络通过利用强大的高级功能在视觉跟踪方面表现出了非凡的能力。 为了获得这些高级功能，可在深度卷积网络中交替执行卷积和池化操作。 然而，这些操作导致空间分辨率低的特征图，这降低了跟踪中的定位精度。 虽然低层特征具有足够的空间分辨率，但它们的表示能力不足。 为了缓解这个问题，我们在视觉跟踪中利用了反卷积网络。 该反卷积网络用作可学习的上采样层，该层将低分辨率的高级特征图作为输入，并输出

  3. 所属分类：其它

  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. 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. 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. deconvfaces：使用反卷积网络生成人脸-源码

  2. 用反卷积网络生成人脸 这个回购包含了用于训练和与反卷积网络连接的代码，该网络由改编，使用数据生。 需要 ， ， ，并与Python 3使用。 训练新模型 要训​​练新模型，只需运行： python3 faces.py train path/to/data 您可以使用-d指定反卷积层数，以生成更大的图像，前提是您的GPU拥有内存。 您可以使用批处理大小和每层内核数（分别使用-b和-k ）直到内存适合为止，尽管这可能会导致更糟的结果或更长的训练时间。 使用6个反卷积层（批处理大小为8）和每层默

  3. 所属分类：其它

  1. RBDN：递归分支反卷积网络：DCNN体系结构，用于“广义深度图像到图像回归”。 CVPR2017（聚焦）-源码

  2. RBDN（递归分支反卷积网络） RBDN是一种用于的体系结构，其特点是 具有广泛参数共享功能的高效内存递归分支方案，可计算输入的早期可学习多上下文表示形式， 端到端保存从输入到输出的本地通信，以及 能够根据任务选择上下文与局部性，以及应用按像素的多上下文非线性。 建筑 RBDN在3种不同的图像到图像回归任务上提供了最先进的性能：去噪，重新照明，着色。 安装及使用 克隆：运行git clone -b master --single-branch https://github.com/venk

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：44kb
    • 提供者：weixin_42128315

  1. CN4Mat：用于MatlabOctave的深度神经网络工具箱。 可以通过提供的组件来补充一些深层网络，例如卷积网络，反卷积网络，自动编码器，卷积自动编码器，多层感知器。 自己尝试一下〜-源码

  2. CN4Mat：用于MatlabOctave的深度神经网络工具箱。 可以通过提供的组件来补充一些深层网络，例如卷积网络，反卷积网络，自动编码器，卷积自动编码器，多层感知器。 自己尝试一下〜

  3. 所属分类：其它

    • 发布日期：2021-02-02
    • 文件大小：14mb
    • 提供者：weixin_42131013
« 12 3 4 5 »