Breast Ultrasound Image Classification Based on Multiple-Instance Learning

在PyTorch中使用残留遮罩网络进行面部表情识别 论文的实现。 现场演示： 方法1： 从pip安装 pip install rmn 通过以下Python脚本运行视频演示 from rmn import video_demo video_demo () 方法二： 克隆仓库并通过pip安装软件包 git clone git@github.com:phamquiluan/ResidualMaskingNetwork.git cd ResidualMaskingNetwork pip install -e . 在rmn包中致电video_demo from rmn import video_demo video_demo () 方法3： 模型文件：（此检查点在VEMO数据集上训练，请在./saved/checkpoints/目录中找到） 下载2个文件： 和用于面部检测OpenCV 。找到当前目

图像分类 这是我对NVIDIA DLI深度学习课程的最终评估。 由于数据集很大，因此我无法在GitHub上上传执行的代码，但是如果您想尝试一下，请通过上面.ipnyb文件中提到的Kaggle链接找到数据集。 我很快将上传更多用于对医学图像进行分类的深度学习项目，敬请期待！ 谢谢你的拜访。

Bag of Tricks for Image Classification.pdf

    该模型设计的思想就是利用attention机制，在普通ResNet网络中，增加侧分支，侧分支通过一系列的卷积和池化操作，逐渐提取高层特征并增大模型的感受野，前面已经说过高层特征的激活对应位置能够反映attention的区域，然后再对这种具有attention特征的feature map进行上采样，使其大小回到原始feature map的大小，就将attention对应到原始图片的每一个位置上，这个feature map叫做 attention map，与原来的feature map 进行element-wise product的操作，相当于一个权重器，增强有意义的特征，抑制无意义的信息。

WBC图像分类

spec-img-finesse 在他们的工作Makantasis等。 （2015年）表明，使用CNN，高光谱图像可以成功分类。 CNN可以对像素的光谱和空间特征进行编码。 特征的从低到高层次结构极大地提高了分类性能。 在我们的CNN实施中，我们使用层修剪和层压缩方法扩展和优化了它们的方法。 每个植物在电磁频谱上都有其独特的频谱“特征”，可以使用高光谱传感器捕获该特征。 将图像中的高光谱带作为特征，将每个像素作为样本，利用卷积神经网络（CNN）和支持向量机（SVM）对植物进行分类。 CNN优化有助于防止过拟合，加速推理并减少其在内存，电池和计算能力方面的资源。 Keras 2.1.5与Tensorflow 1.7.0结合使用。 使用了印度松树数据集。 使用支持多项式的SVM可以达到83.9％的测试精度，而使用CNN可以达到99.2％的测试精度。 可以在项目报告“使用高光谱图像进行植

土地覆盖分类应用 该为用户提供了一个工具，可使用 ， 或从可视化，测试和调整像素级土地覆盖分类。 该模型是由（ ， 和合作开发的，是Microsoft 计划的一部分。 这个怎么运作 单击地图上的任意位置以加载9个训练图块候选者，单击训练图块候选者以将其显示在地图上的区域选择面板中，调整透明度，以查看其与自然色高分辨率航空影像的比较。 用户可以上下推动土地覆盖类型的滑块以获取调整后的结果。 单击“教机器”按钮，以提交将用于训练模型的所选训练图块候选。 单击右上角的菜单按钮以打开已提交的训练图块的集合。 可以选择训练图块以将应用程序打开到该当前状态以进行编辑。 先决条件 在开始之前，请确保您已经安装了新版本的 当前的长期支持（LTS）版本是理想的起点。 正在安装 首先，将此存储库克隆到您的计算机： https://github.com/vannizhang/aiforearth-l

CondenseNet-PyTorch 的PyTorch实施 目录： 项目结构： ├── agents | └── condensenet.py # the main training agent ├── graphs | └── models | | └── condensenet.py | | └── denseblock.py | | └── layers.py | └── losses | | └── loss.py # contains cross entropy loss definition ├── datasets # contains all dataloaders for the project | └── cifar10.py # dataloader for cifar10 dataset ├── data | └── cifar10

图像分类 使用Python和MATLAB进行纹理图像分类 图片来源： : （使用“灰度PNG图片”链接-23MB） 使用的图像：铝箔，灯芯绒和橙皮。 纹理图像 火车组：120张图像（每个班级40张图像） 测试集：120张图像（每个班级40张图像） 功能（使用Matlab提取）： 灰度共生矩阵（GLCM）：能量和熵。 快速傅立叶变换（FFT）：均值和方差。 分类方法： K近邻 高斯朴素贝叶斯 评估：分类准确性 食谱 用Matlab提取特征 下载纹理图像数据集 收集在一个文件夹中，重命名images3。 运行.m文件 保存dataku.mat文件（不用担心！这里提供了dataku.mat文件）。 要了解有关该细节的更多信息，我准备稍后再上传MATLAB代码。 功能数量：4： 属性1：GLCM的熵 属性2：GLCM的能量 属性3：FFT的均值 属性4：FFT的方差 分