snr matlab代码FBPConvNet-Matlab 深度卷积神经网络解决成像逆问题 自述文件 在启动FBPConvNet之前，必须正确安装MatConvNet（）。 （对于GPU，它需要不同的编译。） 正确修改main.m和Evaluation.m文件中的matconvnet路径。 首先，下载2个链接； （1）预训练网络：，然后将此网络放入“ pretrain”文件夹中（2）数据集：只需将此数据与main.m放在同一文件夹中 使用main.m进行培训。 训练后，运行评估版.m以部署测试数据集。 *注意：仅提供幻像数据集（x20）。 SNR值可能与我们的论文略有不同。 *注意：这些代码主要在具有GPU TITAN X的Matlab 2016a上运行（体系结构：Maxwell） 联系人：Kyong Jin（）， 特别感谢Junhong Min（三星电子的高级研究员）提供了初始代码。

基于深度学习的围棋AI演示程序，经过80,000盘专业棋谱数据集训练，含有约50MB经过训练的神经网络数据。 压缩包中还包含了相关的论文Training Deep Convolutional Neural Networks to Play Go。 操作说明：使用浏览器打开Play Go Against a DCNN.html，等待神经网络加载完成，即可运行。勾选Show Analysis，以便可视化地展示神经网络对下一步落子的预测。 语言：JavaScript(基于ConvNetJS库)，可离线运行。 转载自https://chrisc36.github.io/deep-go/ 转载日期20170125

VOT2017大赛C-COT与ECO代码，视觉跟踪领域国际顶级赛事 Visual-Object-Tracking Challenge (VOT) 是近几年目标跟踪邻域最权威的赛事，2017年最优秀的算法C-COT与ECO皆出自Martin Danelljan大神之手，他的算法将CNN与相关滤波相结合，达到了很好的跟踪效果。在此我分享他的代码及配置教程。

matconvnet-1.0-beta25成功编译后的文件，可以放到matlab 里面直接调用运行。

子流形稀疏卷积网络 这是用于训练子流形稀疏卷积网络的PyTorch库。 空间稀疏性 该库将引入PyTorch。 此外，它引入了子流形稀疏卷积，可用于构建计算有效的稀疏VGG / ResNet / DenseNet样式的网络。 通过常规的3x3卷积，活动（非零）站点的集合将Swift增长： 通过子流形稀疏卷积，活动位点的集合保持不变。 活动站点查看其活动邻居（绿色）；活动站点查看活动邻居。 非活动站点（红色）没有计算开销： 堆叠子流形稀疏卷积以构建VGG和ResNet类型的ConvNet，信息可以沿着活动点的线或表面流动。 断开连接的组件起初不会进行通信，尽管它们会由于跨步操作（池化或卷积）的影响而合并。 另外，在网络中添加ConvolutionWithStride2-SubmanifoldConvolution-DeconvolutionWithStride2路径可以使不相交的活动

卷积画图工具convnetdraw

matlab alexnet图像识别代码ConvNet_地标 该软件包包含[]中介绍的工作的实现。 此外，已对原始作品进行了一些修改，例如对候选匹配项进行几何重排的过程。 最后，该软件包包括一个新的视觉位置识别模块，该模块利用原始的ConvNet地标算法作为Bag Of Word模型[]的简单特征提取器。 测试 跑步 startup.m 为了将必要的文件夹添加到matlab搜索路径。 否则，只需运行其中一个会自动调用启动功能的脚本即可。 在此步骤之后，为了启动该模块，只需在脚本script_convNet_bow和script_convNet_online之间运行一个即可。 参数 use_odometry use_mem build_mem use_odom enable_figures 主要脚本 script_convNet_bow.m：在此脚本的开头，有一个对get_defaults_bow.m的调用，该脚本包含将被加载到全局变量ds的所有需要​​配置的脚本。 因此，仅在未设置use_mem和build_mem标志的情况下使用它。 执行结束时，将在ds变量中收集的结果保存到名为fo

1--使用原始 EEG 数据训练 Deep ConvNET 具有手动制作光谱功能的2层感知器 请轻轻引用https://arxiv.org/abs/1907.05674 “使用 ConvNET 进行深度学习通过 EEG 预测图像任务” 使用的数据库EEG 运动/图像数据集https://physionet.org/pn4/eegmmidb/

matlab图像分割肿瘤代码该软件包含对工具箱MatConvNet（）的修改。 MatConvNet是在Matlab上实现CNN的工具箱。 该代码实现了我们用于自动黑色素瘤诊断的解决方案，该解决方案最初已提交给ISIC 2017黑色素瘤诊断挑战（），然后针对本文进行了改进： I. Gonzalez Diaz，“ DermaKNet：将皮肤科医生的知识整合到卷积神经网络中，以诊断皮肤病变”，在IEEE生物医学和健康信息学杂志上，第1卷。 PP，不。 99，第1-1页。 doi：10.1109 / JBHI.2018.2806962 我们已经参加了第3部分：病变分类。 在此任务中，要求参与者完成两项独立的二进制图像分类任务，这些任务涉及皮肤病变（黑色素瘤，痣和脂溢性角化病）的三种独特诊断。 在第一个二进制分类任务中，要求参与者区分（a）黑色素瘤和（b）痣与脂溢性角化病。 在第二个二进制分类任务中，要求参与者区分（a）脂溢性角化病和（b）痣和黑色素瘤。 定义： Melanoma – malignant skin tumor, derived from melanocytes (melanoc

带连续卷积的拉格朗日流体模拟 该存储库包含我们ICLR 2020论文的代码。 我们展示了如何使用连续卷积将基于粒子的流体模拟网络训练为CNN。 该代码使您可以生成数据，训练自己的模型或仅运行预训练的模型。 如果您认为此代码有用，请引用我们的论文 ： @inproceedings{Ummenhofer2020Lagrangian, title = {Lagrangian Fluid Simulation with Continuous Convolutions}, author = {Benjamin Ummenhofer and Lukas Prantl and Nils Thuerey and Vladlen Koltun}, booktitle = {International Conference on Learni