python/ML/DL学习目录
第一部分:python语法学习. /*******环境搭建************/ 1. Anaconda安装 2. Anaconda的使用 3. Spyder的使用中遇到的问题 4. Jupyter Notebook的使用 . python问题1:安装好ubuntu之后,可以使用python3命令,但是不能使用python命令。 python问题2:pip升级后使用报错:Import Error:cannot import name main。 . python基础 python 简介 第一个python程序 python2.x与python3.x简介 执行python程序的三种方式 PyCharm的安装和使用 pyCharm下github的配置和使用 注释 程序的执行原理 变量(1):变量的定义、命名规则 数据类型(1):介绍、数字(int、float、bool、complex) 运算符和表达式 输入输出语句 流程控制(1):判断语句if、条件表达式 流程控制(2):循环语句for、while 函数(1):函数介绍、函数定义、使用方法、文档注释 函数(2):参数、返回值、嵌套 模块(1):介绍、基本使用 数据类型(2) ----容器公共方法 数据类型(3) ----字符串(str) 数据类型(4) ----列表(list) 数据类型(5) ----元组(tuple) 数据类型(6) ----字典(dict) 数据类型(7) ----集合(set) 流程控制(3):完整的for、while语句 综合应用:名片管理系统 变量(2) ----变量的引用 数据类型(8) ----可变和不可变类型 变量(3):局部变量和全局变量 函数(3):函数的返回值和参数 函数(4):匿名函数、高阶函数 面向对象 基本概念 基础语法 封装案例 私有属性和方法(1) 单继承、方法重写 私有属性和方法(2):继承中的注意事项 多继承 多态 类属性/方法、静态方法 单例模式、__new__方法 异常 模块(2) 模块(3):包 模块(4):发布和使用模块 文件(1):文本文件、二进制文件、文件编码 文件(2):文件的读写操作 文件(3):目录常见操作:os模块 eval函数 深拷贝与浅拷贝 迭代器 生成器 正则表达式 . . 【python有用的关键字】 assert in del lambda . . . 【python常用的内置函数】:见这里 数学运算:abs() divmod() pow() sum() round() all() any() 数字转换:bin() int() oct() hex() float() bool() complex() 集合转换:str() format() list() tuple() dict() set() frozenset() len() reversed() 迭代器: iter() next() zip() enumerate() range() 文件/IO: print() input() open() 字符编码: unicode() chr() 面向对象:super() staticmethod() classmethod() type() isinstance() issubclass() 高阶函数: sorted() max() min() filter() map() 其他: eval() hash() dir() id() object() . . 平时不咋用的: ascii() bytearray() bytes() callable() compile() delattr() exec() getattr() globals() hasattr() help() locals() memoryview() ord() property() repr() setattr() slice() vars() __import__() . . . 【Python常用内置模块】 常用内置模块(1):time库 常用内置模块(2):random模块 常用内置模块(3):math模块 常用内置模块(4):collections库——容器数据类型 常用内置模块(5):itertools库——迭代器 常用内置模块(6):sys模块 常用内置模块(7):os.path模块 常用内置模块(8):PIL库 常用内置模块(9):json库 常用内置模块(10):glob库 常用内置模块(11):正则表达式、re模块 常用内置模块(12):shutil库 常用内置模块(13):argparse模块 常用内置模块(14):subprocess模块 . 【Python常用第三方模块】 常用第三方模块(1):numpy(1)——numpy数组介绍 numpy(2)——numpy的数据类型 numpy(3)——numpy数组创建:array方式、固定元素方式、数列方式、随机函数方式 numpy(4)——numpy数组性质:属性、索引、切片、变形、拼接、拆分 numpy(5)——numpy数组运算:向量化运算、矩阵运算、广播、统计、比较、花哨索引 补充:将numpy保存成txt文件 . 常用第三方模块(2):Pandas(1)——pandas库介绍 Pandas(2)——Pandas对象的创建 Pandas(3)——DataFrame的性质:属性、索引、切片、布尔索引、修改 Pandas(4)——数值运算与统计分析 Pandas(5)——处理缺省值与数据合并 Pandas(6)——分组、透视表与其他 补充:使用pandas读取csv数据 . 常用第三方模块(3):Matplotlib(1)——简介、环境配置 Matplotlib(2)——折线图 Matplotlib(3)——散点图 Matplotlib(4)——柱状图 Matplotlib(5)——直方图 Matplotlib(6)——饼图 Matplotlib(7)——等高线图、热力图 Matplotlib(8)——多子图、多图 Matplotlib(9)——图片 . 常用第三方模块(4):Seaborn 常用第三方模块(5):tqdm库 . . 【ML/DL常用代码模板总结】 . . 1. NumPy库 数组、矩阵运算 . 1. 数据读取 . . . . 第二部分:数学基础/*-------微积分&最优化-----------**/1 极限、连续、求极限的方法 2 一元函数求导 3 一元函数求积分 4 微分中值定理及应用 5 一元函数的泰勒公式 6 常微分方程 7 向量代数和空间解析几何 8 多元函数微分 9 多元积分 10 无穷级数 . . 11. 优化和凸优化问题 12. 转载:梯度下降法的推导 . . . /*-------线性代数&矩阵论-----------**/1 行列式 2 矩阵及运算 3 n维向量与向量空间 4 线性方程组 5 矩阵的特征值与特征向量 6 二次型 . 矩阵分解: SVD分解 . . . /*-------概率论-----------**/1 随机事件和概率 2 随机变量及其分布 3 多维随机变量及其分布 4 随机变量的数字特征 5 大数定理和中心极限定理 6 数理统计的基本概念 7 参数估计和假设检验 . . . 第三部分:机器学习. 0 My Plan . /*------机器学习理论------------------**/ . /****第一部分 概述*****/ 1.1 机器学习介绍 1.2 机器学习学习线路 . /****第二部分 回归*******/ 2.1 回归 2.2 误差分析 2.3 梯度下降法 2.4 Hw1:pm2.5 Prediction . /****第三部分 分类*******/ 3.1 Classification: Probabilistic Generative Model 3.2 Classification: Logistic Regression 5 . . . /*------《统计机器学习》手工推导&代码实现-----------------------**/ . 第 1 章 统计学习概论 第 2 章 感知机(1): 第 3 章 k近邻 第 4 章 朴素贝叶斯 第 5 章 决策树 第 6 章 逻辑回归 第 7 章 支持向量机 第 8 章 提升方法 第 9 章 EM算法 第10章 隐马模型 第11章 条件随机场 . . . . . . ---------------------------------- . 1. 机器学习简介 2. 数据集的组成 3. 数据预处理 4. 特征工程 . . 混淆矩阵、错误率、正确率、精确度、召回率、F1值、PR曲线、ROC曲线、AUC . . 第四部分:深度学习. /**-------深度学习理论-------**/1. 深度学习介绍、全连接神经网络 为什么要做深读学习而不是宽度学习? 2. 反向传播算法 BP算法手工推导 3. 使用Keras实现全连接神经网络完成手写数字识别 4. mini-batch Gradient Descent 5. 神经网络的优化(0)----概述 神经网路的优化(1)----激活函数:梯度消失问题、ReLU、Maxout 神经网络的优化(2)----优化器、自适应学习率:Adagrad、RMSProp、Momentum、Adam 神经网络的优化(3)----Early Stopping 神经网络的优化(4)----正则化 神经网络的优化(5)----Dropout . 6. 卷积神经网络 CNN结构演化 CNN的原理 怎么用Keras实现CNN CNN学到的到底是啥? Lenet-5 VGG GoogleNet . 7. 循环神经网络 LSTM . . . /*--------环境搭建及使用--------------------**/ ubuntu18.10 + RTX2080Ti + CUDA10.0 + cuDNN7.5.0 + Anaconda(conda 4.5.12) + TensorFlow-gpu1.13.1 安装 ubuntu16.04、2080Ti、Caffe从0开始安装 ubuntu14.04、2080Ti、Caffe从0开始安装 GPU服务器各种环境查看 GPU服务器维护常见问题及解决 . . /*---------TensorFlow的使用----------------**/ 1. TensorFlow简介与安装 2. TensorFlow的框架(张量、计算图、会话、参数、前向传播、反向传播) 3. 神经元模型、激活函数、神经网络的复杂度 4. 神经网络的优化(0)----损失函数 loss 神经网络的优化(1)----指数衰减学习率 神经网络的优化(2)----滑动平均 ema 神经网络的优化(3)----正则化 regularization 神经网络的优化(4)----各种优化器的介绍 5. 模块化搭建神经网络模板 6. 手写数字识别(0)----MNIST数据集 手写数字识别(1)----准确率输出 手写数字识别(2)----如何对输入的真实图片,输出预测结果? 手写数字识别(3)----如何制作数据集,实现特定应用? 7. 卷积神经网络(0)----基本原理 卷积神经网络(1)----Lenet-5 卷积神经网络(2)----使用训练好的VGG16网络进行图像识别 . . /*----------Caffe windows下的使用-------------------------**/ 1. Caffe简介 2. Caffe win7 CPU版本安装 3. Caffe使用流程----以Mnist数据分类为例 4. Caffe文件详解(整体讲解) (1)网络结构文件----数据层 (1)网络结构文件----卷积层、池化层、全连接层、激活函数层、测试时输出准确率、softmax层、reshape层、Dropout层 (2)超参数文件 (3)deploy文件 5. Caffe的python接口安装(win7+python2.7) 6. Caffe网络结构可视化、特征图可视化、学习曲线可视化 7. Caffe使用训练好的GoogleNet进行图像识别 8. Caffe win7 GPU版本安装 9. 使用自己设计的网络训练自己的图像识别模型 测试时如何把均值文件mean.binaryproto转成mean.npy 10. 迁移学习Finetune 11. Snapshot使用 12. Caffe常用的math_functions . //Caffe ubuntu下的使用 13. Caffe使用流程----以Mnist数据分类为例 14. Ubuntu下如何生成均值文件 15. 网络结构可视化、学习曲线可视化 16. 如何增加新的Loss层 . //Caffe源码解读 1. Caffe源码解读(1)----Caffe入口程序 2. Caffe源码解读(2)----blob.hpp、blob.cpp 3. Caffe源码解读(3)----layer.hpp、layer.cpp . 项目一:人脸检测(基于Caffe) . . /*---------Keras的使用----------------**/ 各个层的写法 . . . /*-------PyTorch使用-------*/1. PyTorch简介与学习指南 2. Pytorch的安装 . pytorch基础概念 3.1 张量简介 3.2 张量的创建 3.3 张量的操作及数学运算 练习:实现一元线性回归 3.4 计算图与动态图机制 3.5 autograd----自动求导系统 练习:逻辑回归实现 . 常用函数总结: torch.max() torch.topk() torch.view() torch.flatten() . pytorch数据模块:收集、划分、读取、预处理 4.1 pytorch数据收集、划分、读取 4.2 预处理:transforms运行机制、数据标准化 4.3 预处理:transforms图像增强方法(22种) 总结:multiCrop的使用 总结:如何自定义transforms方法 练习:通过RMB模型实现第五套人民币分类 . pytorch模型搭建 5.1 网路模型创建步骤及nn.Module的属性 5.2 模型容器 总结:如何写自己的网络 总结:如何获取模型的某一层 总结:nn.Module的children()与modules()方法、如何获取网络的某些层 总结:对经典网络上进行模型改造的方法 5.3 网络层:卷积层、池化层、线性层、激活函数层 总结:下采样的方式总结:池化、卷积 上采样的方式总结:基于插值resize、反卷积、反池化 总结:各种卷积操作:global avg pooling、水平pooling、1*1卷积、分组卷积 5.4 权值初始化 . pytorch损失函数 6.1 常用的损失函数(18种) 整理:熵、KL散度、交叉熵、nn.CrossEntropyLoss()、nn.LogSoftmax()、nn.NLLLoss() 整理:TripletMarginLoss()、nn.MarginRankingLoss()的使用 . pytorch优化器 7.1 优化器的定义、基本属性和基本方法 7.2 常用的优化器 7.3 学习率调整策略 . TensorBoard 8.1 TensorBoard简介与安装 8.2 TensorBoard使用:绘制曲线和直方图、学习曲线可视化 8.3 TensorBoard使用:图像可视化、卷积核和特征图可视化、网络结构可视化 8.4 hook函数与CAM可视化 . 正则化 9.1 过拟合与 L1、L2正则化 9.2 Dropout . 标准化 10.1 Batch Normalization 10.2 常见的Normalization方法(BN、LN、IN、GN) . pytorch训练技巧 11.1 模型加载与保存 11.2 模型finetune 11.3 GPU使用 11.4 pyTorch常见报错 . . 总结: 减轻过拟合的方法总结:data augmentation、early stopping、dropout、L1/L2、标签平滑 解决梯度消失或爆炸问题方法:激活函数、权重初始化、BN . . /*-------经典神经网络--------*/分类常用数据集 1. cifar-10 其他不常用的数据集: 1. 猫狗数据集 2. 海洋鱼类数据集:NCFM . . . 代码总结: inference代码:使用torchvision自带的CNN模型,加载预训练的参数,对图片进行分类 finetune代码:加载预训练的参数,微调一下,重新训练,完成其他分类任务 . . . LeNet . . . AlexNet(2012) 1. 研究背景、成果意义 2. 论文精读 3. torchvision中AlexNet模型的实现详解 补充:自适应池化 4. 实验1:使用tensorboard对AlexNet的卷积核和特征图进行可视化 5. 实验2:对预训练的AlexNet进行finetune,实现对猫狗数据集二分类 (独立版本) . . . VGGNet(2014) 1. 论文简介、研究背景、成果意义 2. 论文泛读、摘要精读 3. 论文精读1:VGG网络结构、特点 4. 论文精读2:训练技巧、测试技巧、实验结果、总结 5. torchvision中VGG的实现详解 . . . GoogLeNet(2014) 1. 论文简介、研究背景、成果意义 2. 论文泛读、摘要精读 3. 论文精读1:Inception模块、GoogLeNet网络结构 4. 论文精读2:训练测试技巧、结果分析、稀疏结构分析、论文总结 5. 实验1:GoogLeNet的实现 6. 实验2:对预训练的GoogLeNet进行finetune(微调),实现对NCFM数据集的8分类(独立版本) . . . GoogLeNet - v2(2015) 1. 论文简介、研究背景、成果意义 2. 论文泛读、摘要精读 3. 论文精读:BN层 4. 论文精读:GoogLeNet v2的网络结构、实验结果分析、论文总结 5. 实验1:加了BN层之后,每层输出的数据比较稳定 6. 实验2:BN层对神经网络初始化的影响 7. 实验3:BN的使用、调试和观察 . . . GoogLeNet - v3(2015) 1. 论文简介、研究背景、成果意义 2. 论文泛读:论文结构、摘要精读 3. 论文精读:网络设计原则;技巧:a.卷积分解;b.辅助分类层再讨论;c.特征图下降策略;d.标签平滑 4. 论文精读:Inception v2/v3网络结构、实验结果分析、论文总结 5. torchvision中inception v3的实现 补充:标签平滑的实现 6. 实验1:对预训练的inception v3进行finetune,实现对NCFM数据集的8分类(独立版本) . . . ResNet(2015) 1. 论文简介、研究背景、成果意义 2. 论文泛读:论文结构、摘要精读 3. 论文精读:残差结构 4. 论文精读:Resnet网络结构 5. 论文精读:Warmup、实验结果及分析、论文总结 6. torchvision中的Resnet实现 补充:Warmup 7. 实验1:自己实现resnet20模型,在cifar10数据集上进行训练分类(独立版本) . . . GoogLeNet - v4(2016) 1. 论文简介、研究背景、成果意义 2. 论文泛读:论文结构、摘要精读 3. 论文精读:Inception v4的网络结构 4. 论文精读:Inception-ResNet的网络结构 5. 论文精读:激活值缩放、实验结果及分析、论文总结 6. 实验1:inception - v4模型的实现 7. 实验2:Inception-resnet-v2模型的实现 . . . ResNeXt(2016) 1. 论文简介、研究背景、成果意义 2. 论文泛读:论文结构、摘要精读 3. 论文精读:聚合变换、ResNeXt中的building block 4. 论文精读:分组卷积、ResNeXt的building block的等效形式 5. 论文精读:ResNeXt的网络结构、实验结果及分析、论文总结 补充:分组卷积的实现 6. torchvision中的ResNeXt实现 . . . DenseNet(2017) 1. 论文简介、研究背景、成果意义 2. 论文泛读:论文结构、摘要精读 3. 论文精读:DenseNet的各个组件 4. 论文精读:DenseNet网络结构 5. 论文精读:实验结果及分析、论文总结 补充:深度学习中GPU和显存分析 . . . SENet(2017) 0. 原作者解读 1. 论文简介、研究背景、成果、意义 2. 论文泛读:论文结构、摘要精度 3. 论文精读:Squeeze/Excitation操作、复杂度分析、实验结果及分析 4. 论文精度:论文总结 补充:图像注意力机制 补充:FLOPS与FLOPs的区别及计算 5. 实验1:借助resent的函数实现se_resnet 6. 实验2:从头到尾完全实现SE-ResNet . . . LSTM . . . 第五部分:注意力机制. CBAM(2018) 实验:CBAM的实现 . . . . 第六部分:图像分割图像分割专题学习路线 图像分割简介 语义分割简介:定义、研究现状、实现流程、常用数据集、评价指标 . 1. FCN介绍:作者简介、研究成果、历史意义 2. 论文泛读:论文结构、摘要精读 3. 论文精读 补充:双线性差值 补充:混淆矩阵、图像分割指标计算 实验:FCN实现 . . . U-Net(2015) & FusionNet(2015) 1. 论文介绍:作者、研究背景、成果、意义 2. 论文泛读:论文结构、摘要精度 3. 论文精读 补充:padding 实验1:U-Net的实现 实验2:FusionNet的实现 . . . SegNet & DeconvNet 1. 论文介绍:作者、研究成果、意义 2. 论文泛读:论文结构、摘要精度 3. 论文精读 补充:编码器-解码器框架 . . DeepLab (2015) . . GCN(2017) . . . DFN(2016) . . 学完DFN就不学语义分割的代码了。以后有机会再学。 . . . 第七部分:目标检测目标检测介绍 . 目标检测常用数据集: 1. VOC数据集 . . . R-CNN(CVPR 2014) -> Fast R-CNN(2015) -> Faster R-CNN(2016) -> Mask R-CNN(ICCV 2017) . YOLOv3 1. 论文介绍 2. 论文泛读 3. 论文精读 实验:YOLOv3的实现 . . . Faster R-CNN(2016) 实验:Faster R-CNN的实现 . . . . 第八部分:OCRCRNN(CVPR2015) CRNN简介 . . . . 第九部分:图像检索图像检索常用数据集: 1. CIFAR-10 2. NUS-WIDE . 其他不太常用的数据集: 1. . . 图像检索评价指标:mAP@k、mAP的计算 图像检索评价指标:PR曲线的计算与绘制 . . /*-------度量学习--------*/度量学习介绍 . Contrastive loss(2015) . . . Triplet loss(FaceNet CVPR2015) 补充:使用矩阵运算计算两组特征向量相互之间的距离 实现:triplet hard loss的原理与实现 . . Center loss (ECCV2016) . . . ArcFace (Insight Face, CVPR2019) . . . Circle Loss (CVPR2020) 转发论文解读:旷视研究院提出Circle Loss,统一优化视角 . . . . /*--------ANN------------*/一些厉害的人的资料 一些资源 . . |---基于树的方法:kd树 |---基于量化的方法:PQ、IVFPQ |---基于图的方法:HNSW |---基于哈希的方法 |----传统哈希方法 |----数据独立哈希:LSH |----数据依赖哈希 |----无监督哈希:PCAH、SH、ITQ |----监督哈希:MLH、KSH、SDH |----深度哈希 . . 需要掌握的传统哈希方法: . 一、LSH 1999 (经典必会) 原理 实现 . 二、SH 2008 谱哈希(经典必会) 原理 实现 . 三、ITQ 2011 迭代量化哈希 (经典必会) 原理 实现 . 四、KSH 2012 监督核哈希(经典必会) 原理 实现 . 五、SDH 2015 监督离散哈希(经典必会) 原理 实现 . . 常见的ANN库介绍 Faiss库的使用 . . /*-------深度哈希--------*/综述:《A Survey on Deep Hashing Methods》 . 实验:深度哈希baseline运行 . . . . . CNNH (AAAI 2014) 《Supervised Hashing via Image Representation Learning》 Rongkai Xia , Yan Pan, Hanjiang Lai, Cong Liu, Shuicheng Yan. 【论文精读】 【代码实现】 . NINH (CVPR 2015) 【论文精读】 【代码实现】 . DLBHC (CVPRW 2015) 【论文精读】 【代码实现】 . DSH (CVPR2016) 【论文精读】 【代码实现】 . DPSH (IJCAI2016) 【论文精读】 【代码实现】 . DHN (AAAI2016) 【论文精读】【代码实现】 . DTSH (ACCV2016) 【论文精读】 【代码实现】 . HashNet (ICCV2017) 【论文精读】【代码实现】 . DSDH (NIPS2017) 深度离散哈希 《Deep Supervised Discrete Hashing》 【论文精读】【代码实现】 . DAPH (ACMMM2017) 【论文精读】 【代码实现】 . LCDSH (IJCAI2017) 【论文精读】【代码实现】 . DPH (CVPR2017) 【论文精读】【代码实现】 . GreedyHash (NIPS2018) 【论文精读】【代码实现】 . ADSH (AAAI2018) 【论文精读】【代码实现】 . DCH (CVPR2018) 【论文精读】【代码实现】 . ISDH (arxiv2018) 【论文精读】【代码实现】 . DFH (BMVC2019) 【论文精读】【代码实现】 . IDHN (TMM2019) 【论文精读】【代码实现】 . DAGH (ICCV2019) 【论文精读】【代码实现】 . DSHSD (IEEE ACCESS 2019) 【论文精读】【代码实现】 . DBDH (Neurocomputing2020) 【论文精读】【代码实现】 CSQ (CVPR2020) 【论文精读】【代码实现】 . DPN(IJCAI2020) 【论文精读】【代码实现】 . PCDH(Neurocomputing2020) 【论文精读】【代码实现】 . . /*------动手实践--------*/. /*---------一个比赛----------------------------*/ 1. 赛题解析及baseline构建 2. 图像基础知识 3. 图像检索通用流程 4. 常用前置处理方法 5. 常用特征提取和融合方法 6. 方案解析 7. 比赛复盘 . . /*---------一些实验----------------------------*/ 图像检索基础实验1:预训练的resnet18提取特征+暴力检索 图像检索基础实验2:预训练的resnet18提取特征+Faiss实现图像检索 图像检索基础实验3:预训练的resnet50提取特征+LSH实现图像检索 图像检索基础实验4: . . 实验一:利用resnet进行特征提取,并进行检索 3. 实验二:finetune:加载ResNet预训练模型,针对二分类任务,进行finetune,得到自己的网络 4. 实验三:inference:加载ResNet finetune后的模型,对测试图片进行预测分类 5. 实验四:ExtractFeature:使用自己训练好的模型,对图片提取特征,保存成向量 6. 实验五:retrieval:相似性检索 . 代码总结: 1. IDENet 2. . . . /*--------------ReID----------------------------*/ 转载:Re-ID中的特征对齐 转载:行人重识别的挑战与最新进展 郑哲东 . . IDENet 1. IDENet网络详解 补充:行人重识别评价指标计算(待整理) 实验:IDENet实现 . . 基于度量学习的ReID(2017) 1. 介绍 实验:基于triplet hard loss的ReID实现 . . 对比实验 实验:triplet loss、id loss、triplet+id loss 三者的性能 . . AlignedReID(旷视 2017) 补充:动态时间规整(DTW)算法 1. 网络详解 实验:AlignedReID实现 . . 综述(2018年初) 《基于深度学习的行人重识别研究进展》 罗浩 自动化学报(~~2018年初 的算法综述) . . PCB(ECCV 2018) 1. 模型详解 实验:PCB的实现(待补充) . . . Bag of Tricks and A Strong ReID Baseline (CVPRW2019) 1. baseline介绍 补充1:Warmup学习率 补充2:Random Erasing Augmentation 补充3:Lable Smoothing 补充4:Last Stride 补充5:BNNeck 实验:代码复现 . . . 比赛:AICity Challenge 2020 1.比赛介绍 2.第三名代码解读:DMT 3.第二名代码解读:RuiYanAI 4.第一名代码解读:Baidu-UTS . . 第十部分:视频镜头分割与关键帧提取. . . 第十一部分:CV TransformerCV Transformer简介 . ViT 1. 论文介绍:作者、研究成果、意义 2. 论文泛读:论文结构、摘要精度 3. 论文精读 . . . 第十二部分:信号识别&检索《基于图像深度学习的无线电信号识别》 周鑫,何晓新,郑昌文 通信学报 2019 《基于 HOG-SVM 的跳频信号检测识别算法》张萌,王文 等 2020.5 信息安全学报 《基于CNN网络的跳频信号个体识别》梁策,郭英,李红光 2020.6 空军工程大学学报 《基于时频特征的卷积神经网络跳频调制识别》 李红光,郭英,眭萍,齐子森 2020.10 浙江大学学报 《基于深度学习的跳频信号识别》吕国裴,谢跃雷 2020.10 电讯技术 《Detection of Frequency-Hopping Signals Based on Deep Neural Networks》 Ziye Li 《基于卷积神经网络的有限样本雷达干扰信号分类》2020.4 IEEE Access 《基于CLDN网络的脉冲内调制雷达信号识别》2020.3 《基于扩张残差网络的雷达辐射源信号识别》 《基于深度学习的雷达辐射源识别技术研究》 . 研究点一:基于FCN的混叠跳频信号识别(已发表). 实验1:两种信号融合及对应标签生成实验 实验2:三种信号融合及对应标签生成实验 实验3:四种信号融合及对应标签生成实验 实验4:数据集划分 实验5:灰度的预测图转成彩色图 . 实验:基于FCN的混合跳频信号分割实验 . . 研究点二:基于注意力机制的跳频信号识别使用的数据集 实验7:时频图的空间权重图生成实验 论文写作草稿 实验结果记录 . . 研究点三:基于特征增强的跳别实验结果记录 . . . . . . . 研究点四:调制方式识别信号数据集 CNN2(2016) 实验:使用keras复现CNN2,完成RML2016.10a_dict.pkl数据集分类 实验:使用pytorch复现CNN2,完成RML2016.10a_dict.pkl数据集分类 . . 尝试: 实验:将RML2016.10a_dict.pkl数据集转成时频图,然后用经典分类网络进行分类 . . . . 研究点五:基于时频分析和深度学习的无线电信号识别论文和实验 . . . |
python/ML/DL学习目录相关推荐
- python开源项目学习目录
简述 本文为python开源项目的学习笔记 目录 翻译总结 可视化编程工具 持续集成系统 分布式系统 基于协程的高效爬虫 基于内存图形数据库 简易非关系数据库 调度程序 简易关系数据库 简易Pytho ...
- Python基础教程学习目录 - Python入门教程
Python 基础入门 2021 年 1 月 23 日 下午 12:48 目录 一.Python 基础篇 二.Python 线程/进程篇 一.Python 基础篇 Python 简介 Python P ...
- Competition——ML/DL:机器学习、深度学习各种计算机视觉、自然语言处理、科学预测等等比赛竞赛简介
Competition--ML/DL:机器学习.深度学习各种计算机视觉.自然语言处理.科学预测等等比赛竞赛简介 相关内容 Competition--互联网比赛(编程相关):国内外各种互联网比赛举办时间 ...
- ML/DL:关于机器学习、深度学习算法模型的选择
ML/DL:关于机器学习.深度学习算法模型的选择 目录 算法思路 算法思路 更新--
- ml dl el学习_DeepChem —在生命科学和化学信息学中使用ML和DL的框架
ml dl el学习 Application of Machine Learning and Deep Learning for Drug Discovery, Genomics, Microsoco ...
- 深度学习“三部曲”重磅资源、python、DL理论、工程实战全覆盖(附免费下载)...
点击上方"视学算法",星标公众号 重磅干货,第一时间送达 ☞机器学习.深度学习.python全栈开发干货 作者:草yang年华 来源:进击的coder 前言 给大家分享一波pyth ...
- 机器学习框架ML.NET学习笔记【1】基本概念与系列文章目录
一.序言 微软的机器学习框架于2018年5月出了0.1版本,2019年5月发布1.0版本.期间各版本之间差异(包括命名空间.方法等)还是比较大的,随着1.0版发布,应该是趋于稳定了.之前在园子里也看到 ...
- Python科学计算库核心知识点总结_代码篇(ML/DL依赖语法)
Python科学计算库核心知识点总结_代码篇(ML/DL依赖语法) ...
- Python Web 深度学习实用指南:第四部分
原文:Hands-On Python Deep Learning for the Web 协议:CC BY-NC-SA 4.0 译者:飞龙 本文来自[ApacheCN 深度学习 译文集],采用译后编辑 ...
最新文章
- IBM Watson将成为失败的投资?分析师眼里, IBM AI过度乐观, 夸大宣传
- Codeforces Round #695(Div. 2)
- ApI、toString方法、equals方法、Scanner方法基本知识
- Date() 小于等于当天
- python可以通过引用来对象吗_Python的可调用对象
- GDAL的一个BUG
- QoS令牌桶技术详解
- 超星阅读器pdz文件转为xps文件或pdf文件说明
- BiLSTM-CRF模型理解
- 北京小微企业个税社保申报方式
- 绿联USB网卡的使用记录
- MYSQL命令行闪退问题解决
- 计算机在无纸化办公系统中应用属于,浅析计算机技术在无纸化办公中的应用
- 计算营业额python_告诉你怎么用Python进行企业营运分析!盈利这么多?
- BAT大牛带你深度剖析Android10大开源框架
- Python3.9数据库SQLite3学起(6)
- 云计算平台建设总体技术方案
- NV显卡 终于被我查到了
- 猛学亚马逊:顾客至上 Obsession over customers
- 【Vue3+vite+Element-UI Plus 】
热门文章
- 关于http接口开发中json格式数据编码问题处理
- Fast CRM 中小企业首选客户关系管理软件
- 企业动态IP,内网服务器配置
- 关于Win10蓝屏终止代码:WHEA_UNCORRECTABLE_ERROR的解决方法
- F5服务器负载均衡测试方案
- (Java实现)图片合成GIF动图(“复古”Swing界面)
- mysql 有没有sysdata_MySQL传统的同步复制的概念和要点
- 2017年什么命_2017年出生的鸡宝宝是什么命-百度经验
- 《炬丰科技-半导体工艺》单晶片光刻胶去除技术
- C#ModBus Tcp 报文解析