深度卷积神经网络

利用keras框架，了解卷积神经网络原理，并掌握每一层训练参数的计算方法。

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}, ...

这是一个简化版本的双层卷积神经网络代码示例，展示了深度学习中的基础技术应用。

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。

生成5个随机数排列的列向量，一般用这种格式poissrnd(2,5) 生成5行5列的随机数矩阵poissrnd(2,[5,4]) 生成一个5行4列的随机数矩阵。这里介绍了如何通过逆CDF函数法生成服从特定分布的随机数，以柯西分布为例。

项目3说明：截止日期为3月2日，您将使用Matlab内置的CNN训练功能，对17,000张256x256灰度墙纸图像进行分类。学习如何扩充数据、构建CNN并进行训练。数据集存放在“数据/墙纸/ <火车，测试> //”文件夹中，分为训练和测试图像两部分。第一步是培训和测试CNN，入门代码提供了卷积神经网络示例。

Two-Layer-CNN-on-MNIST-master是一份matlab程序源码，专注于构建双层卷积神经网络用于MNIST数据集的特征提取。该程序通过深度学习方法对图像数据进行高效分类和特征识别。