Faster R-CNN

免责声明：本存储库提供了官方的Faster R-CNN代码（使用MATLAB编写）。如果您的目标是复现NIPS 2015论文中的结果，请使用此代码。该存储库还包含了对MATLAB代码的Python重新实现，基于某些分支构建，二者之间有细微差别。特别是，Python实现的测试速度比MATLAB实现慢约10%，因为某些操作在CPU上的Python层执行（例如，220ms/图像，而VGG16为200ms/图像）。这种差异导致与MATLAB版本相比，mAP表现不完全相同，但仍然较为接近。使用MATLAB代码训练的模型与此Python实现可能不兼容。此Python实现源自Sean Bell（康奈尔大学）在MSR实习期间所写的内容。有关更详细的说明，请联系官方支持。Faster R-CNN首次在《实时目标检测：通过区域提议网络实现》中被介绍，并在NIPS 2015上发布。

详细介绍如何在 VS2013 环境下，利用 Cuda7.5 和 OpenCV2.4.9，重新编译 Faster R-CNN 的 Caffe 库。

Matlab分时代码经过修改，使得快速R-CNN能在无bbox注释的弱监督环境下运行。快速R-CNN是由Redmond的Microsoft Research的Ross Girshick开发的基于快速区域的卷积网络，用于对象检测。该框架训练速度显著优于传统的R-CNN和SPPnet，并且在PASCAL VOC数据集上表现出更高的mAP。

天津大学机器学习与数据挖掘团队倾情奉献，带你探索 CNN 的奥秘，并通过 Caffe 深度学习框架进行实践。

此处提供了tf-Faster-RCNN Faster R-CNN的Python 3 / TensorFlow实现，包括灰度处理代码。这个端到端的TensorFlow应用程序基于深度模型，可在Python 3.5+和TensorFlow v1.0环境中运行。推荐在Ubuntu 16及以上版本上使用，但其他Linux发行版的兼容性尚未测试。

该MATLAB框架实现了忆阻器在手写体识别中的应用，包括5级CNN和3级ConvLSTM的前馈和循环卷积网络。作者包括Daniel Belkin、李灿、聂永阳、宋文浩和王忠瑞，顾问为J. Joshua Yang教授和夏强飞教授。代码已在Mathworks Matlab R2017b上进行测试，并提供了演示脚本。

基于Python3.7和Pytorch1.7.1 多分类，采用深度学习

图像分类实战：基于CNN的深度学习模型 本项目提供了一个用于图像分类的CNN模型源代码，展示了深度学习在计算机视觉领域的实际应用。项目亮点： 易于上手: 代码结构清晰，注释完善，适合初学者理解CNN原理和实践。 灵活配置: 用户可以根据实际需求，自由更换数据集或调整模型参数，进行个性化训练和优化。 拓展性强: 项目可作为学习起点，在此基础上进行扩展，应用于更复杂的图像分类任务。 快速开始 配置环境：安装Python、TensorFlow等必要库。 准备数据：选择目标数据集，并进行预处理。 模型训练：使用提供的代码进行模型训练，并根据需要调整参数。 模型评估：评估模型性能，并进行优化。 联系我们 如有任何疑问，欢迎交流讨论。

在这个项目中，我们试图实现灰色模型Matlab原始代码SC-CNN。请注意，代码正在更新中，并未完全完成。当前阶段已经实现了SC-CNN的第一部分。该代码使用的数据集与文中提到的数据集相同，同时也适用于其他数据集的训练。我们计划对代码进行进一步更新以解决已知问题，但目前仅使用主要数据集进行开发。请注意，无需手动下载数据集，所有数据处理均由代码完成。该代码基于Pytorch编写，支持在CPU或GPU上运行，也可以在多个GPU上并行运行。详细的运行说明可以在代码中找到。

这些代码是基于卷积神经网络的水果图像处理示例，作为论文“卷积神经网络应用于水果图像处理的回顾”，Applied Sciences，10（10）：3443（2020）的一部分而实现的。展示了水果分类和质量控制示例的实现方法，同时使用预训练模型进行了转移学习。示例以简单方式演示了CNN模型的实现方法，并且代码已注释并提供了描述性信息。详情请阅读原论文，也可在我们的实验室LITRP网站上获取代码。