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
RNN的原理

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

.
FCN（CVPR2015）

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：OCR

CRNN（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：

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

/*--------------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 Transformer

CV 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