以人群计数为例，对训练好的MCNN caffe模型，调用caffe的python接口进行前向测试，输出人群密度图。详细请参考博客：https://blog.csdn.net/u011285477/article/details/51954989

crowdcount-mcnn-master复现的预训练模型,话说从dropbox下载文件还真是费劲.我的复现过程出现的问题汇总在https://blog.csdn.net/jiruijing123/article/details/88750427

基于MCNN的_HSI_分类 文件 MCNN-CP：使用混合卷积和协方差合并的高光谱图像分类（TGARS 2021） MCNN-PS和Oct-MCNN-PS：使用混合3D八度音程和2D子像素卷积神经网络的高光谱图像分类（已提交TGARS） 1.环境设置 该代码已在配备Intel i7-9750H 2.6 GHz处理器，32 GB RAM和NVIDIA GTX1650图形卡，Python 3.6，tensorflow_gpu-1.14.0，Keras-2.2.4，CUDA 10.0， cuDNN

使用MCNN进行人群计数-MindSpark Hackathon 2018 使用多列卷积神经网络对ShanghaiTech数据集进行人群计数。 这是CVPR 2016论文“通过多列卷积神经网络进行单图像人群计数”的非正式实施。 注意：可以做出预测。 有关热图生成的工作正在进行中。 安装 安装Tensorflow和Keras 安装OpenCV 克隆此存储库（以防您不想训练模型并希望使用预先训练的模型）。 资料设定 从以下位置下载ShanghaiTech数据集： 投寄箱： ：//www.d

Reg-IBP 这是已提交的ICCV2021论文“ Reg-IBP：通过区间有界传播进行的高效且可扩展的神经网络鲁棒性训练”的正式实施。 安装 安装pytorch 克隆此存储库 资料设定 1.MNIST数据集2.CIFAR10数据集3.TinyImageNet数据集4.ShanghaiTech A和B部分数据集 可验证地训练提议的Reg-IBP： python3 tiny.py＃微小的imageNet挑战 python3 IBP_big_CIFAR_eps_8_255.py＃CIFAR-10挑