深度卷积特征

提供地基云图像分类的深度卷积特征提取matlab代码（DeepCloud），它利用预训练的CNN模型提取多尺度、多层次的局部特征作为局部模式描述符，并通过模式挖掘和Fisher Vector编码进行处理。代码已在Windows 7上测试，需要使用64位Matlab。

Sklearn- 第三方机器学习模块- 封装回归、降维、分类、聚类等方法- 特点：- 简单高效- 基于 NumPy、Scipy、MatPlotLibMatplotlib- Python 数据绘图包- 功能：- 绘制图表

在这篇文章中，我们介绍了分层池深度卷积功能（HPDCF）的MATLAB代码框架。该框架已经在Windows 7、Caffe Toolbox和MATLAB 2014a环境下进行了测试，支持密集轨迹和密集流的计算分析。我们提供了MATLAB演示代码，详细说明了安装和使用预训练深度卷积网络的步骤。如需GPU模式，请在HPDCF_setup.m中设置相应参数并重新编译Caffe Toolbox。

如果您使用此代码，请引用我们的论文。 RaviPrakash，Harish等人。 “深度学习为基于癫痫手术的基于ECoG的功能语言映射提供了卓越的准确性。” Neuroscience的前沿（14）（2020）：409。数据尺寸假定为M×N，其中M为通道数，N为数据点数。示例使用30秒的控制和活动任务。步骤1：执行extractData.m，加载每个主题的数据并调用createSlidingActiveTime.m。createSlidingActiveTime.m从活动数据块中提取AR、PSD、峰峰值、均值、偏斜、峰度和Hjorth特征。步骤2：运行getFeatureLabels.m，为每个块分配块标签，每个块为30秒的数据[控制/活动任务]。

深度学习网络在高级可穿戴技术中心（CWAT）项目中取得了显著进展，特别是在降噪深度PPG信号方面。该项目专注于消除光电容积描记术（PPG）信号测量过程中的噪声伪影。我们采用了一个包含16个卷积层的完全卷积网络，以改进信号质量。Matlab代码已经优化，能够有效处理生物医学应用中的PPG信号。

在深度学习导论课上，使用Matlab实现了卷积神经网络的代码，最终完成了手写数字识别作业。

DeepLab v2 是一种先进的语义图像分割深度学习系统，它基于深度卷积神经网络，并结合了以下关键特性： 粗糙卷积: 精确控制特征响应分辨率。 粗糙空间金字塔池: 采用多采样率和有效视场的滤波器，实现多尺度对象的稳健分割。 密集连接的条件随机字段 (CRF): 用于后期处理，优化分割结果。 此版本提供了关键模型组件的公开实现，并支持 ICLR'15 中 DeepLab v1 的实验。 圆环卷积: 圆环卷积在 CAFFE 框架中称为膨胀卷积，使用方法相同，只需将卷积参数 “hole” 更改为 “dilation”。 Argmax 和 Softmax_loss 层: ICCV'15 实验中的 argmax 和 softmax_loss 层与 Caffe 层略有不同，详细信息请参考相关论文。 参考文献: @article{CP2016Deeplab,title={DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous},author={...}}

在太赫兹CT图像重建中，我们采用深度卷积神经网络（CNN）来改进Radon变换，提高图像质量。我们利用UNet架构解决成像逆问题，训练数据集包括500张随机大小和位置的椭圆图像。与传统的FBP不同，我们研究了使用GAN进行CT重建的可行性。我们的目标是通过端到端的神经网络实现太赫兹CT成像的直接重建。

DeepLab v2是一种先进的深度学习系统，专为语义图像分割而设计。它整合了粗糙卷积以有效控制深度神经网络中的特征响应分辨率，粗糙空间金字塔池则稳健地分割多个尺度的对象视图。此外，密集连接的条件随机字段（CRF）后处理提升了分割质量。本发行版提供了ICLR'15实验支持，是一个完全开放的实现。用户只需调整旧的prototxt文件以适配更新。例如，我们的膨胀卷积（在CAFFE中称为圆环卷积）的参数仍然是“dilation”，用法保持一致。在与Caffe层的argmax和softmax_loss层的交互中，需要留意一些细微差异。更多详细信息，请参阅原论文：@article{CP2016Deeplab, title={DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs}, ...

这是一种新的高斯白噪声matlab代码，包括培训和测试的全新方法。该方法集成了批量归一化（PyTorch），通过合并所有的'Conv+BN'（或'TConv+BN'）层到单一的'Conv'（或'TConv'）层来优化模型。