搜索资源列表
深度学习入门:基于Python的理论与实现.pdf+代码
- 本书是深度学习真正意义上的入门书,深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3,尽量不依赖外部库或工具,从基本的数学知识出发,带领读者从零创建一个经典的深度学习网络,使读者在此过程中逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识,对误差反向传播法、卷积神经网络等也有深入讲解,此外还介绍了深度学习相关的实用技巧,自动驾驶、图像生成、强化学习等方面的应用,以及为什么加深层可以提高识别精度等“为什么”的问题。(This book is a true sen
FCN.tensorflow-master
- 全卷积网络图像分割。使用python和tensorflow的实现。(Image segmentation with full convolution network.)
caffe-3D
- caffe 3D卷积实现,可以对图像视频进行分析,包括视频分类,动作识别等(Implementation of caffe 3D convolution)
imagefusion_densefuse-master
- 基于自动编解码卷积神经网络的稠密图像融合方法。(Dense image fusion method based on automatic codec convolution neural network.)
Deep learning_CNN DBN RBM
- 运用深度学习模型实现图像的分类,主要包括卷积神经网络CNN和深信度网络DBN(Classification of images using deep learning model includes convolutional neural network CNN and belief network DBN.)
opencv-semantic-segmentation
- 基于opencv的道路图像语义分割,用全卷积网络实现的(Road image semantics segmentation based on OpenCV and implemented by full convolution network)
CNN
- 用深度卷积神经网络进行图像盲取证,定位复制粘贴篡改区域(Blind forensics of image using deep convolution neural network to locate copy-paste tampered area)
yolo V3
- 这个版本作者已经编译过了 可以在WIN系统上运行 YOLO3主要的改进有:调整了网络结构;利用多尺度特征进行对象检测;对象分类用Logistic取代了softmax。 在基本的图像特征提取方面,YOLO3采用了称之为Darknet-53的网络结构(含有53个卷积层),它借鉴了残差网络residual network的做法,在一些层之间设置了快捷链路(shortcut connections)。
matlab
- 卷积神经网络源文件 源文件 用于图像分类 内涵数据集 与多个核函数
cnn-master
- 卷积神经网络,可以很好的实现文本分类或者图像识别(Convolutional Neural Networks)
MATLAB-LeNet5-master
- 手写体识别 lenet5 LeNet5由7层CNN(不包含输入层)组成,上图中输入的原始图像大小是32×32像素,卷积层用Ci表示,子采样层(pooling,池化)用Si表示,全连接层用Fi表示。下面逐层介绍其作用和示意图上方的数字含义。(Lenet5 is composed of seven layers of CNN)
超分辨率
- 第一层CNN:对输入图片的特征提取。(9 x 9 x 64卷积核) 第二层CNN:对第一层提取的特征的非线性映射(1 x 1 x 32卷积核) 第三层CNN:对映射后的特征进行重建,生成高分辨率图像(5 x 5 x 1卷积核)。
classic-convolution-network-master
- 本资源为经典的卷积神经网络实现图像的深度特征提取代码,可以下载参考学习
opencv 高斯滤波和中值滤波
- 通过opencv调用高斯滤波和中值滤波对图像进行卷积去除加入的椒盐噪声