FCRN：全卷积残差网络深度估计 Laro，Iro等人的Pytorch实现。 “具有完全卷积残差网络的更深深度预测。” 3D Vision（3DV），2016年第四届国际会议。 IEEE，2016年。 原始实现在TensorFlow（ ）中。 要运行，请执行以下步骤： 下载NYU深度数据集V2标记的数据集： : 。 从Laina等人的模型的一部分下载经过预训练的TensorFlow权重作为.npy文件。 来自 。 将以上两个文件与代码放在同一目录中。 运行train.py进行训练，运行test.py评估结果。 一些结果（rgb图像，地面真实情况，预测深度）：

图像去噪是数字图像处理中最基本的研究内容, 也是一项十分关键的技术, 一直以来是图像处理领域的难点。图像去噪的好坏直接影响后续图像边缘检测、特征提取、图像分割和模式识别等图像处理。为有效去除乘性噪声的影响, 提出一种深度残差学习的乘性噪声去噪方法。该方法通过引入残差优化, 解决了卷积神经网络在层数较多时, 随着层数加深, 梯度在传播过程中逐渐消失的问题。与4种经典去噪算法进行比较, 结果表明, 该方法在有效去除乘性噪声的同时, 可以更好地保留图像的边缘和纹理区域的细节信息, 为后续的图像分割、配准和目标识别等奠定基础。

在使用回归分析的考虑因素中，异常值或错误值会严重干扰最小二乘拟合。 它们与其余数据所暗示的线相差甚远。 如果这些点确实是异常值，那么截距的估计可能不正确，残差均方可能是对真实方差的夸大估计。 有一些缩放残差的方法可用于查找异常值的观测值。 其中之一是外部学生化残差，通常称为 R-student。 它基于这样一个事实，即 MSRes 是通过将模型拟合到所有 n 个观测值而获得的方差的内部生成估计，并且有必要根据删除了第 i 个观测值的数据集进行估计。 该统计量遵循学生 t 分布。 但是可以使用 Bonferroni 类型的方法并将 t_i 的所有 n 个值与 t_(alpha/2*n),np-1 进行比较，以提供有关异常值的指导。 输入： D - 矩阵数据 (=[XY])（最后一列必须是 Y 相关变量）。 （X 独立变量条目可以是简单的 [X]、多个 [X1,X2,X3,...Xp] 或

用于真实图像超分辨率的深循环生成对抗性残差卷积网络（SRResCycGAN） 网络的官方PyTorch实现，如论文。 这项工作以高x4放大系数参加了挑战赛道3。 抽象的 最近基于深度学习的单图像超分辨率（SISR）方法主要是在干净的数据域中训练其模型，其中低分辨率（LR）和高分辨率（HR）图像来自无噪声设置（相同域）到双三次降采样假设。 但是，这种降级过程在实际环境中不可用。 我们考虑到深度循环网络结构，以保持LR和HR数据分布之间的域一致性，这是受CycleGAN在图像到图像翻译应用程序中最近成功的启发。 通过以端对端方式从LR到HR域转换的生成对抗网络（GAN）框架进行训练，我们提出了超分辨率残留循环生成对抗网络（SRResCycGAN）。 我们在定量和定性实验中证明了我们提出的方法，该方法很好地推广到了真实图像的超分辨率，并且很容易部署到移动/嵌入式设备中。 此外，我们在AIM 2

基于电离层残差法的周跳探测和修复方法研究，赵义春，秦滔，在GPS载波相位测量中，周跳探测和修复是需要解决的关键问题之一，本文深入分析了周跳产生的原因和特性以及电离层残差检测量的构造

将灰色理论和Markov预测方法用于中国粮食产量的预测。运用灰色关联分析,从众多影响粮食产量的因素中确定了影响粮食产量的主要因素为:乡村从业人员、农作物有效灌溉面积、粮食作物播种面积、受灾面积。以粮食产量作为特征变量,以影响粮食产量的主要因素作为选定变量构建了粮食产量的灰色GM(1,5)预测模型,并对我国粮食产量进行拟合和预测。为了捕获粮食产量时间序列的随机波动性,使用马尔可夫模型对GM(1,5)模型的残差进行修正,以便改善预测精度。实例结果:事后检验阶段GM(1,5)模型的平均绝对百分比误差为15.45

ResNet网络结构模块，可直接使用，返回值一个是loss用于损失值优化，第二个softmax输出的是预测值用于测试

如果对代码有疑问可以看一下我的博客《Pytorch 实现自己的残差网络图片分类器》和压缩包中的README.docx。也欢迎大家在博客下面提问或者指出文中的错误，谢谢大家。

这是今年imageNET测试top1程序

Code for the Pose Residual Network introduced in 'MultiPoseNet: Fast Multi-Person Pose Estimation using Pose Residual Network (ECCV 2018)' paper