yeap16：CT图像骨分割 的3D创新实验室提供的“代码库。 此代码随附标题为： “使用卷积神经网络进行医学增材制造的骨骼的CT图像分割” 目前正在审查中。 目的 CT扫描的骨分割是医疗计划中必不可少的步骤。 骨结构的确切厚度，方向和位置对于制造患者特定的结构（例如手术指南和植入物）是必不可少的。 在骨骼分割期间，医学图像中的每个像素都被分类为“骨骼”或“背景”。 不幸的是，当前的算法要么缺乏鲁棒性和可靠性，要么需要乏味的手动交互（ ）。 因此，该存储库包含一个全自动的卷积神经网络（CNN），以执行CT扫描的骨骼分割。 模型训练 使用3例先前在Vrije大学医学中心接受治疗的患者的CT扫描对CNN进行了培训。 根据经验丰富的医学工程师的知识，CT扫描的每个像素都被标记为“骨头”或“背景”。 随机选择了500,000个像素，以在这些选定像素周围创建33x33的轴向补丁。 这些补丁随后

CNN框架中，如何对其模型的超参数进行自动化获取一直是一个重要问题。提出一种基于改进的贝叶斯优化算法的CNN超参数优化方法。该方法使用改进的汤普森采样方法作为采集函数，利用改进的马尔可夫链蒙特卡罗算法加速训练高斯代理模型。该方法可以在超参数空间不同的CNN框架下进行超参数优化。利用CIFAR-10、MRBI和SVHN测试集对算法进行性能测试，实验结果表明，改进后的CNN超参数优化算法比同类超参数优化算法具有更好的性能。

一种新的基于卷积神经网络的数据驱动故障诊断方法 本文提出了一种基于LeNet-5的新型CNN进行故障诊断。 通过将信号转换为二维（2-D）图像的转换方法，该方法可以提取转换后的二维图像的特征，并消除手工特征的影响。 我觉得这很有趣，因为它将CNN应用于机械场景。 .py文件是CNN的实现。 但是我没有提供如何预处理数据集。 参考： L. Wen，X. Li，L. Gao和Y. Zhang，“基于卷积神经网络的新的数据驱动的故障诊断方法，”《 IEEE Transactions on Industrial Electronics》，第1卷。 65，不。 7，页5990-5998，2018年7月。

这个主要是CNN的推导和实现的一些笔记，再看懂这个笔记之前，最好具有CNN的一些基础。

1、使用网路稀疏化方法来对CNN模型进行压缩 2、能够在模型大小、运行内存和运行时间上进行优化 3、准确度的损失在接受范围

原理是基于B站 刘二大人 ：传送门PyTorch深度学习实践——卷积神经网络(高级篇) 这是Inception Moudel的pytorch实现，并且实现了在GPU上运行

原理是基于B站 刘二大人 ：传送门PyTorch深度学习实践——卷积神经网络(高级篇) 这是ResidualBlock的pytorch实现，并且实现了在GPU上运行

CNN结合SVM故障诊断

LeNet-5 这实现了略微修改的LeNet-5 [LeCun et al。，1998a]，并在上达到了约99％的准确度。 设置 使用以下命令安装所有依赖项 $ pip install -r requirements.txt 用法 启动visdom服务器进行可视化 $ python -m visdom.server 开始训练程序 $ python run.py 请参阅时期火车损耗实时图表。 经过训练的模型将作为ONNX导出到lenet.onnx 。 可以使用查看lenet.onnx文件 参考 [ ] Y. LeCun，L。Bottou，Y。Bengio和P. Haffner。 “基于梯度的学习应用于文档识别。” IEEE会议论文集，86（11）：2278-2324，1998年11月。

基于CNN算法（卷积神经网络）的DNN（深度神经网络）的图形处理——风格转化