常见的深度学习领域数据集（持续更新）

200多张高质量的裂缝分割数据集、已经标注

deepmimo例程，参考论文“Alkhateeb - 2019 - DeepMIMO A Generic Deep Learning Dataset for Mill”

DeepMIMO：适用于毫米波和大规模MIMO应用的通用深度学习数据集 这是使用软件生成的DeepMIMO数据集的MATLAB代码包。 是公开发布的参数化数据是针对mmWave和大规模MIMO系统中的深度学习应用发布的。 该MATLAB代码包与以下文章有关： Ahmed Alkhateeb，Proc中的“ ”。 加利福尼亚州圣地亚哥，信息理论与应用研讨会（ITA），2019年2月。 文章摘要 机器学习工具正在毫米波（mmWave）和大规模MIMO系统中找到有趣的应用。 这主要归功于它们在学习未知模型和解决困难的优化问题方面的强大能力。 但是，为了推进毫米波/大规模MIMO中的机器学习研究，需要通用的数据集。 该数据集可用于评估开发的算法，重现结果，设置基准并比较不同的解决方案。 在这项工作中，我们介绍了DeepMIMO数据集，它是mmWave / mass MIMO信道的通用数据集。

matlab资源分配的代码用于功率分配的 DeepMIMO 这是一个从 DeepMIMO 修改而来的 MATLAB/Python 代码包，用于生成用于功率分配的真实信道。 该代码基于为毫米波和大规模 MIMO 系统中的深度学习应用发布的公开可用的 DeepMIMO 数据集。 这个MATLAB/Python代码包与以下文章有关： [1] Haoran Sun、Wenqiang Pu、Minghe Zhu、Xiao Fu、Tsung-Hui Chang 和 Mingyi Hong，“学习在情景动态环境中持续优化无线资源。” arXiv 预印本 arXiv:2011.07782 (2020)。 [2] Ahmed Alkhateeb，“DeepMIMO：用于毫米波和大规模 MIMO 应用的通用深度学习数据集”，Proc。 信息理论与应用研讨会 (ITA)，加利福尼亚州圣地亚哥，2019 年 2 月。 [3] 孙浩然、陈翔毅、史清江、洪明义、肖夫和 Nikos D. Sidiropoulos，“学习优化：为无线资源管理训练深度神经网络”，IEEE Transactions on Signal

matlab精度检验代码道路故障识别（DeepSegmentor） 2020年论文的DeepCrack和RoadNet项目的Pytorch实施。 1，数据集 2.安装 我们通过系统提供了一种用户友好的配置方法，您可以使用以下命令创建一个新的Conda环境： conda env create -f environment.yml 3.平衡权重 我们使用以下命令来遵循该方法： python3 ./tools/calculate_weights.py --data_path 4.培训 培训之前，请下载数据集并将其复制到文件夹datasets 。 探伤 sh ./scripts/train_deepcrack.sh 道路检测 sh ./scripts/train_roadnet.sh 我们在这里提供我们的预训练模型： 模型 Google云端硬碟 深裂 道路网 5，测试 探伤 sh ./scripts/test_deepcrack.sh 图像 地面真相 GF 融合的 侧边1 第2边 侧面3 侧面4