搜索资源列表
Saliency-Detection
- 提出一种新的显着性检测方法，通过将区域级显着性估计和像素级显着性预测与CNN（表示为CRPSD）相结合。对于像素级显着性预测，通过修改VGGNet体系结构来执行完全卷积神经网络（称为像素级CNN）以执行多尺度特征学习，基于该学习进行图像到图像预测以完成像素级显着性检测。对于区域级显着性估计，首先设计基于自适应超像素的区域生成技术以将图像分割成区域，基于该区域通过使用CNN模型（称为区域级CNN）来估计区域级显着性。通过使用另一CNN（称为融合CNN）融合像素级和区域级显着性以形成nal显着图，并
TensorflowofGCN-
- 使用Tensoflow实现图卷积神经网络模型-Use Tensoflow Implementation Figure convolution neural network model
monitor-recorder
- SeetaFace人脸识别引擎包括了搭建一套全自动人脸识别系统所需的三个核心模块，即：人脸检测模块SeetaFace Detection、面部特征点定位模块SeetaFace Alignment以及人脸特征提取与比对模块SeetaFace Identification。 主要功能： 人脸检测模块(SeetaFace Detection): 采用了一种结合传统人造特征与多层感知机（MLP）的级联结构，在FDDB上达到了84.4 的召回率（100个误检时），并可在单个i7
testandtrain
- 利用三层卷积神经网络识别信号星座图，准确识别8psk，16psk，32psk，64qpsk四种调制方式，在低信噪比的情况下已然有良好的识别率。(The three layer convolution neural network is used to identify signal constellation, and accurately identify four modulation modes of 8PSK, 16PSK, 32psk and 64qpsk. It has a good
squeezeDet-master
- 一种应用于目标检测中同时满足上述所有约束条件的全卷积神经网络结构。在我们的网络中，使用卷积层不只是用来提取特征图，同时也是作为输出层去计算边界框（bounding box）和分类概率。我们模型中的检测管道（detection pipeline）只包含一个神经网络的前向通路，因此它运行起来是极其迅速的。我们的模型是全卷积结构的，因此可以达到小的模型规模和很高的能量利用效率。最后的实验表明我们的模型能达到很高的精度，在 KITTI 基准上达到了最高的精确度。(A fully convoluted n
gcn-master
- 图卷积神经网络实现代码， python实现了图卷积神经网络的功能。(the code for gcn use python the paper is COVARIANT COMPOSITIONAL NETWORKS FOR LEARNING GRAPHS)
depth-map-prediction-
- 基于AlexNet网络模型的单幅彩色图的深度估计，在NYU Depth 数据集，Make3D 数据集，KITTI 数据集经过测试效果很好，只是本次上传由于大小限制，压缩包不包括数据集，读者可自行下载数据集进行训练！(Based on the AlexNet network model, the depth estimation of a single color map, in the NYU Depth dataset, Make3D dataset, KITTI dataset ha
CNN_Pavia-master
- 使用卷积神经网络进行高光谱遥感数据分类，使用的数据源为Pavia University高光谱数据 文件夹log--日志文件夹，存放TensorBorad日志、网络参数文件、混淆矩阵图 文件夹Patch--存放数据处理的切片结果 文件夹PaviaU--高光谱数据下载存放位置 文件夹predicted--CNN对原始影像的分类结果 data.py--对原始高光谱影像进行数据处理，生成切片 net.py--神经网络模型 train.py--训练神经网络 utils.py--需要用到的函数 show.p
GraphWaveletNeuralNetwork-master
- 图小波神经网络(GWNN)，一种新的图卷积神经网络(CNN)，利用图小波变换来解决以往光谱图CNN方法依赖于图傅立叶变换的缺点。(graph wavelet neural network (GWNN), a novel graph convolutional neural network (CNN), leveraging graph wavelet transform to address the shortcomings of previous spectral graph CNN met