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. adashift_decorrelation_and_convergence_of_adaptive_learning_rate_methods.pdf

  2. 关于深度学习优化算法的相关论文，在resnet、Desnet模型以及cifar-10、Tiny-ImageNet上的实验结果对比。

  3. 所属分类：互联网

    • 发布日期：2020-05-20
    • 文件大小：4mb
    • 提供者：qq_34738572

  1. ResNet模型实验

  2. 本实验使用了ResNet模型，实验中包含了模型结构、网络训练和测试，以及预测部分。文件太大，没有上传数据集。请自行下载

  3. 所属分类：Python

    • 发布日期：2020-07-05
    • 文件大小：160mb
    • 提供者：beautiful77moon

  1. 基于卷积神经网络的图像着色

  2. 图像着色的目标是为灰度图像的每一个像素分配颜色，它是图像处理领域的热点问题。以U-Net为主线网络，结合深度学习和卷积神经网络设计了一个全自动的着色网络模型。在该模型中，支线使用卷积神经网络SE-Inception-ResNet-v2作为高水平的特征提取器，提取图像的全局信息，同时在网络中使用PoLU(Power Linear Unit)函数替代线性整流函数(ReLU)。实验结果证明此着色网络模型能够对灰度图像进行有效的着色。

  3. 所属分类：其它

    • 发布日期：2020-10-15
    • 文件大小：523kb
    • 提供者：weixin_38681719

  1. imagenet-r:ImageNet-R（终止）和DeepAugment-源码

  2. 鲁棒性的许多面Kong 该存储库包含代码，数据集和模型参数。 ImageNet-R ImageNet-R（endition）包含ImageNet类的艺术，卡通，deviantart，涂鸦，刺绣，图形，折纸，绘画，图案，塑料物体，毛绒物体，雕塑，素描，纹身，玩具和视频游戏再现。 ImageNet-R演示了200个ImageNet类，可生成30,000张图像。 。 其他资源 该存储库还包含用于DeepAugment和DeepFashion重新混合实验的代码。 真实的模糊图像可在下载。 可获得

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：14mb
    • 提供者：weixin_42169971

  1. attendance-system:基于面部识别的考勤系统； 暑期学校2018-源码

  2. 人脸识别 IIT Madras计算机视觉与情报小组 我们实施了带有面部检测和识别功能的实验装置。 这已被用于我们的目的，具有以下目的： 交换多个用于Facenet的检测器和特征提取器。 多GPU和分布式支持 冻结图支持量化。 首先，我们在两个用例中使用它： 高精度：具有Inception-Resnet特征提取器的SSD或FRCNN检测器。 CPU优化的FPS：具有mobilenet V2提取器的SSDlite mobilenet（在入门中对此进行了介绍）。 我们已经尝试了多种分类器

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：11mb
    • 提供者：weixin_42099176

  1. A-Barebones-Image-Retrieval-System:该项目提供了一个简单的框架来检索类似于查询图像的图像-源码

  2. 准系统图像检索系统 该项目提供了一个简单的框架来检索类似于查询图像的图像。 该框架如下： 在具有三重态损失（我使用了一组标记图像上训练CNN模型（ A 。 使用训练有素的CNN模型（ A ）从验证集中提取特征。 在这些提取的特征上训练kNN模型（ B ），并将k设置为所需的邻居数。 从验证集中获取图像（ I ），并使用相同的CNN模型（ A ）提取其特征。 使用相同的kNN模型（ B ）计算I的最近邻居。 我将Flowers数据集用于实验。 我尝试了上述方法，以解决我从Flowe

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：14mb
    • 提供者：weixin_42150745

  1. Machine_Learning_Workspace-源码

  2. Machine_Learning_Workspace 这是保存机器学习模型实验的主要资料库，以供将来参考。 使用TensorFlow 2和Keras训练模型。 使用MobileNet，ResNet和其他有效的NN架构进行学习转移。 Matplotlib正在用于可视化，稍后将被移植到SeaBorn API。

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：56mb
    • 提供者：weixin_42114046

  1. minecraft-bc-2020:MineRL2020竞争行为克隆解决方案-源码

  2. 使用行为克隆玩Minecraft，2020年版 该存储库仅包含NoActionWasted团队对的最终排名，模仿学习，排名第四。 团队成员： ， 和 。 核心成分： 写在PyTorch中。 在比赛中，动作被混淆成连续的向量。 我们在人类数据集上使用了k均值聚类来创建具有代表性的动作，效果非常好（感谢）。 连续的动作矢量被映射到最接近的质心，并且所有学习都是在这些离散的动作上完成的。 行为克隆（即训练网络以预测人类采取的行动）。 网络模型：具有LSTM层的小型ResNet（有关类似架

  3. 所属分类：其它

    • 发布日期：2021-03-06
    • 文件大小：33kb
    • 提供者：weixin_42116058

  1. ShelfNet：论文“ ShelfNet的快速语义分割”的实现-源码

  2. ShelfNet-lightweight for paper（ ） 此回购包含ShelfNet轻量级模型的实现，用于Cityscapes上的实时模型。 对于实时任务，我们在Ctiyscapes数据集上达到了74.8％mIoU，速度为59.2 FPS（对于BiSeNet，为61.7 FPS，在GTX 1080Ti GPU上为74.7％）。 对于非实时任务，我们使用ResNet34骨干在Cityscapes测试集上实现了79.0％的mIoU，超过其他具有ResNet50或Resnet 101骨

  3. 所属分类：其它

    • 发布日期：2021-02-28
    • 文件大小：584kb
    • 提供者：weixin_42099755

  1. nexperia：检测半导体缺陷-源码

  2. Nexperia 这是Nexperia图像分类模型的PyTorch实现。 要求 Python> = 3.6 PyTorch> = 1.0 CUDA NumPy 大熊猫 用法 标准培训 main.py包含标准培训设置中的培训和评估功能。 可运行脚本 使用默认参数进行培训和评估 我们在目录scr ipts/提供训练脚本。 举一个具体的例子，我们可以使用以下命令在Nexperia数据集上训练默认模型（即ResNet-34）： $ bash scr ipts/nexperia/r

  3. 所属分类：其它

    • 发布日期：2021-02-26
    • 文件大小：88mb
    • 提供者：weixin_42118701

  1. 一种主动鉴别未知类别指静脉的识别系统

  2. 针对传统指静脉系统在鉴别未知类别指静脉时采用的被动比对拒绝会出现严重的干扰识别以及识别效率低等问题, 提出了一种基于卷积神经网络(CNN)的主动鉴别未知类别的指静脉识别方法, 并称之为深度未知指静脉模型, 该模型采用深层Inception ResNet V2作为基础模型, 构建基于CNN的未知类别识别方法, 在此基础上挖掘Softmax分类结果建立类受试者工作特征曲线验证阈值主动获取算法, 在确保已知类别指静脉的高识别准确度的同时, 实现了未知类别指静脉泛化成一类的目的。在实验中, 通过自建与公

  3. 所属分类：其它

  1. 面向无人机自主飞行的无监督单目视觉深度估计

  2. 针对双目视觉深度估计成本高、体积大以及监督学习需要大量深度图进行训练的问题,为实现无人机在飞行过程中的场景理解,提出一种面向无人机自主飞行的无监督单目深度估计模型。首先,为减小不同尺寸目标对深度估计的影响,将输入的图像进行金字塔化处理;其次,针对图像重构设计一种基于ResNet-50进行特征提取的自编码神经网络,该网络基于输入的左视图或右视图以及生成对应的金字塔视差图,采用双线性插值的方法重构出与其对应的金字塔右视图或左视图;最后为提高深度估计的精度,将结构相似性引入到图像重构损失、视差图一致性

  3. 所属分类：其它

  1. 基于深度卷积神经网络的道路场景深度估计

  2. 提出了一种基于深度卷积神经网络的单目视觉深度估计方法，该方法采用端到端学习框架来构建模型。采用残差网络（ResNet）作为神经网络模型框架的编码部分来提取深度信息特征。采用密集连接卷积网络（DenseNet）对编码后的信息进行译码。通过Skip-Connections实现编码和解码的信息流的集成，避免了层间信息传输的丢失。实验结果表明，与其他单目视觉深度估计方法相比，使用深度卷积神经网络可以更有效准确地估计视觉深度。

  3. 所属分类：其它

  1. 基于改进3D-CNN的多源遥感数据树种识别

  2. 针对森林复杂冠层结构和林分高密度下遥感树种识别精度不高的问题,将能够提取高维数据立体特征的三维卷积神经网络(3D-CNN)引入到遥感影像树种识别中,并利用残差网络(ResNet)对其进行改进,提出三维残差卷积神经网络(3D-RCNN),以减小网络深度带来的误差,降低退化现象的影响。联合高分五号高光谱数据(GF-5 AHIS)和高分六号高空间分辨率数据(GF-6 PMS),辅以森林资源数据和外业调查数据构建样本集。结合3D-RCNN思想构建树种识别模型。实验结果表明:相较于传统3D-CNN,3D-

  3. 所属分类：其它

  1. 结合深度卷积神经网络与影像学特征的肺结节良恶性鉴别方法

  2. 提出一种将卷积神经网络(CNN)学习特征与传统影像学特征结合的肺结节良恶性鉴别方法。首先,从电子计算机断层扫描(CT)图像中分割出肺结节区域,并使用传统机器学习方法提取结节区域的影像学特征;然后,使用截取的肺结节训练3D-Inception-ResNet模型,提取网络学习的CNN特征,组合两类特征,并利用随机森林(RF)模型进行特征选择;最后,采用支持向量机(SVM)、RF等传统分类器对肺结节进行良恶性鉴别诊断。使用LIDC-IDRI数据库中的1036个肺结节进行实验验证,最终所提方法的分类准确

  3. 所属分类：其它

  1. mcit-hackathon-2020-源码

  2. 使用ResNet50的面部识别进行年龄预测 总览 项目总结 上载自拍，此AI将猜测您的年龄！ 单击此链接进行尝试： 使用ResNet-50卷积神经网络体系结构（深度为50层）（通过 ）在上训练了年龄预测模型，并使用部署了该模型。 s Nikhil Maddirala - – – Nguyen Vo - – – 用法 如果您想阅读报告并了解实验，请点击 如果要使用该应用程序，请参见下面的“部署”部分。 部署方式 没有先决条件或安装。 单击顶部的嵌入式活页夹链接。 或使用此。 这

  3. 所属分类：其它

    • 发布日期：2021-02-11
    • 文件大小：94mb
    • 提供者：weixin_42100971

  1. assembled-cnn：“在卷积神经网络中组合组合技术的性能改进”的Tensorflow实现-源码

  2. 在卷积神经网络中组合技术的性能改进 什么是新的 2020年7月11日 我们使用tensorflow 2.1重新实现了assemble-resnet。 如果要查看具有更好可读性的代码，请参考。 | 正式的Tensorflow实施 ， ， ，， ， NAVER / LINE视觉 抽象 图像分类的最新研究已证明了多种改善卷积神经网络（CNN）性能的技术。 但是，尝试结合现有技术以创建实际模型仍然很少见。 在这项研究中，我们进行了广泛的实验，以验证仔细地组装这些技术并将其应用于基本CNN模型（例如

  3. 所属分类：其它

  1. tencent-ml-images：最大的多标签图像数据库； ResNet-101模型； ImageNet的80.73％top-1 acc-源码

  2. 腾讯ML图片 该存储库介绍了名为腾讯ML-Images的开源项目，该项目已发布 ML-Images ：最大的开源多标签图像数据库，包括17,609,752培训和88,739验证图像URL，这些注释最多包含11,166个类别 Resnet-101模型：在ML-Images上进行了预训练，并通过转移学习在ImageNet上达到了top-1的精度80.73％ 更新 [2019/12/26]我们的开源项目手稿已被IEEE Access（ ， ）接受。 它提供了数据库的更多详细信息，损失函数，训练算法

  3. 所属分类：其它

  1. 基于ResNet的遥感图像飞机目标检测新方法

  2. 针对遥感影像中目标方向、目标大小、拍摄角度及场景的多样性导致飞机目标检测精度不高的问题，提出一种基于残差网络（ResNet）的目标检测新方法。首先采集并且标注遥感图像数据，这些数据包含了晴天、薄雾等多种气候条件下的遥感影像；然后构建图形金字塔和模板金字塔进行多尺度检测，并且加入残差网络的全卷积网络结构中不同层的上下文特征信息；最后通过拟合回归进行端到端的训练，得出鲁棒性强，精度高的目标检测网络模型。实验结果表明，该网络模型对于较复杂背景等干扰有较强的鲁棒性，检测精度高达89.5%。

  3. 所属分类：其它

  1. cnn-model-pruning:修剪，模型压缩，卷积神经网络-源码

  2. CNN修剪-GAL，CVPR 2019 [再现] 修剪，模型压缩，对抗学习，卷积神经网络。 参考 通过生成对抗性学习（GAL）实现最佳结构化的CNN修剪，CVPR 2019。 FLOP计算工具 要求 python3 pytorch == 1.7.1 cudatoolkit == 11.0.221 numpy == 1.19.2 张量板x == 1.4 实验 CIFAR-10上的ResNet-56。 （图像分类） 执行 预训练模型准备 预训练的权重可从GAL（ ）下载。 培训和结构修

  3. 所属分类：其它

    • 发布日期：2021-04-01
    • 文件大小：90kb
    • 提供者：weixin_42102272
« 12 »