卷积神经网络(CNN)的结构与参数决定了其在图像分类中的性能,针对深度网络结构复杂、参数量较大的问题,提出了一种基于稠密连接网络进化的CNN(D-ECNN)图像分类算法。该算法可对网络结构空间进行有效搜索,并基于有限的计算资源对深度网络结构与参数进行自适应优化。在车辆数据集上的分类实验结果表明,本算法的准确率可达到95%,相比视觉几何组(VGG16)算法,提升了约1%,且本算法的模型文件较小、速度更快。

基于Frenet优化轨迹的无人车动作规划实例，使用Python实现，高速场景。 无人车 动作规划 自动驾驶 辅助驾驶 优化轨迹

针对ImageNet，CIFAR10和MNIST的PyTorch对抗性攻击基准 ImageNet，CIFAR10和MNIST的PyTorch对抗性攻击基准（最先进的攻击比较） 该存储库提供了用于评估各种对抗攻击的简单PyTorch实现。 该存储库显示每个数据集的最新攻击成功率。 该存储库利用了攻击库，例如 ， 等。 如果您对此存储库有疑问，请给我发送电子邮件（ ）或提出问题。 影像网 该存储库提供了一个包含1,000个类的小型ImageNet验证数据集。 该数据集每个班级有5张图像（总计5,000张图像）。 这是ImageNet验证数据集的子集。 对抗示例的大小：224 x 224 x 3（150,528个参数） 1. Linf FGSM（非目标） Advertorch和Foolbox显示几乎相同的结果。 Epsilon大小 1/255 2/255 4/255 8/25

ab logix500 socket 通讯文档，中文版

北大青鸟BENET班《LINUX操作系统》课程全套PPT课件.rar

皮托奇·西法尔100 pytorch在cifar100上练习 要求 这是我的实验资料 python3.6 pytorch1.6.0 + cu101 张量板2.2.2（可选） 用法 1.输入目录 $ cd pytorch-cifar100 2.数据集 我将使用来自torchvision的cifar100数据集，因为它更方便，但我还将示例代码保留了用于在数据集文件夹中编写您自己的数据集模块的示例，以作为人们不知道如何编写它的示例。 3.运行tensorbard（可选） 安装张量板 $ pip install tensorboard $ mkdir runs Run tensorboard

此示例的主要目标是使用 MIT Places 数据集的子集和预训练模型 Places365GoogLeNet 演示 MATLAB 功能在场景分类解决方案中的使用。 代码结构分为四部分： - 在“第 1 部分”中，我们从头开始构建一个简单的 CNN，对其进行训练和评估。 - 在“第 2 部分”中，我们“按原样”使用预训练模型 Places365GoogLeNet。 - 在“第 3 部分”中，我们采用了一种迁移学习方法，该方法演示了使用 MATLAB 中的迁移学习进行图像分类的一些最新功能和最佳实践。 - 最后，在“第 4 部分”中，我们采用图像数据增强技术来查看它们是否会带来改进的结果。 该示例应易于修改并扩展到用户需求。 笔记： - 本示例中使用的数据集（Places365-Standard 数据集的子集）可在以下网址找到： https ://www.dropbox.com/s/a

LaneNet-Lane-Detection！The trained lanenet model weights files are stored in （new_lanenet_model_file）（资源为该链接中的全部文件）. You can download the model and put them in folder model/tusimple_lanenet/ 端到端的车道线检测方法，Github代码地址：https://github.com/MaybeShewill-CV/lanenet-lane-detection/blob/master/README.md

keras-unet-collection 所述tensorflow.keras实施U型网，V-净，U-净++，R2U网，注意力U形网，ResUnet-A，U ^ 2-Net和UNET 3+具有可选ImageNet训练有素骨架。 keras_unet_collection.models包含使用超参数选项配置keras模型的函数。 U-net，U-net ++，Attention U-net和UNET 3+支持预训练的ImageNet主干。 U-net ++，UNET 3+和U ^ 2-Net支持深度监督。 有关其他选项和用例，请参见《 》。 keras_unet_collection.models 名称 参考 unet_2d 网络 vnet_2d V-net（为2-d输入修改） unet_plus_2d U网++ r2_unet_2d R2U网 att

运行会自动测试mnist手写体库。accuracy rate是正确率。