使用逆强化学习进行扫描路径预测 PyTorch的官方实施， （CVPR2020，口头） 我们提出了第一个逆向强化学习（IRL）模型，以学习人类在视觉搜索过程中使用的内部奖励功能和策略。 观察者的内部信念状态被建模为对象位置的动态上下文信念图。 这些地图是由IRL获悉的，然后用于预测多个目标类别的行为扫描路径。 为了训练和评估我们的IRL模型，我们创建了COCO-Search18，COCO-Search18是目前最大的高质量搜索注视数据集。 COCO-Search18有10位参与者在6202张图像中搜索18个目标对象类别中的每一个，进行了约300,000个目标定向注视。 当在COCO-Search18上进行训练和评估时，无论是在与人类搜索行为的相似性还是搜索效率方面，IRL模型在预测搜索注视扫描路径方面均优于基线模型。 如果您正在使用此作品，请引用： @InProceedings {

音乐GAN 塞缪尔·贝里恩（Samuel Berrien）

生成绘画火炬 根据作者的，对PyTorch重新。 先决条件 该代码已经在Ubuntu 14.04上进行了测试，以下是需要安装的主要组件： Python3 PyTorch 1.0+ 火炬视觉0.2.0+ 张量板 pyyaml 训练模型 python train.py --config configs/config.yaml 检查点和日志将保存到checkpoints 。 用训练好的模型进行测试 默认情况下，它将在检查点中加载最新保存的模型。 您也可以使用--iter通过迭代选择保存的模型。 训练有素的PyTorch模型：[ ] [] python test_single.py \ --image examples/imagenet/imagenet_patches_ILSVRC2012_val_00008210_input.png \ --mask examples/cen

Learning Generative Adversarial Networks 英文无水印pdf pdf所有页面使用FoxitReader和PDF-XChangeViewer测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，请联系上传者或csdn删除

训练12小时后512x512鲜花，1 gpu 训练12小时后256x256朵鲜花，1 gpu 比萨 ``轻巧''GAN 在Pytorch的ICLR 2021中提出的实现。 本文的主要贡献是发生器中的跳层激励，以及鉴别器中的自动编码自监督学习。 引用单行摘要“在经过数小时培训的情况下，可以在1024 g分辨率的数百张图像上融合在单个gpu上”。 安装 $ pip install lightweight-gan 使用 一个命令 $ lightweight_gan --data ./path/to/images --image-size 512 每隔1000次迭代，模型将保存到./models/{name} ，模型中的样本将保存到./results/{name} 。 name将是default ，默认情况下。 训练设定 深度学习从业人员的自我解释能力很强 $ lightweight_ga

对抗图书馆 该库包含与PyTorch中实施的对抗性攻击有关的各种资源。 它针对寻求最新攻击实施方案的研究人员。 编写代码是为了最大程度地提高效率（例如，通过偏爱PyTorch的底层函数），同时保持简单性（例如，避免抽象）。 因此，大多数库（尤其是攻击）都是使用纯函数实现的（只要有可能）。 在着重于攻击的同时，该库还提供了一些与对抗性攻击有关的实用程序：距离（SSIM，CIEDE2000，LPIPS），可见回调，预测，损失和辅助功能。 最值得注意的是，来自utils/attack_utils.py的功能run_attack对具有给定输入和标签且具有固定批处理大小的模型进行了攻击，并报告了与复杂性相关的指标（运行时和向前/向后传播）。 依存关系 该库的目标是使用最新版本的PyTorch进行更新，以便可以定期更新依赖项（可能会导致重大更改）。 pytorch> = 1.7.0 火炬视觉>

Deep adversarial metric learning for cross-modal retrieval

蔡氏电路matlab仿真代码对抗性个性化推荐排名 APR通过执行对抗训练来增强成对排名方法BPR。 为了说明其工作原理，此处通过在用户和项的嵌入向量上添加对抗性扰动来实现MF上的APR。 这是我们对该文件的正式实现： 何湘南，何占魁，杜小雨和蔡达生。 2018.推荐的对抗性个性化排名，在SIGIR'18的会议记录中。 （通讯作者：） 如果您使用这些代码，请引用我们的论文。 谢谢！ 环境 Python 2.7 TensorFlow> = r1.0 脾气暴躁> = 1.12 PS。 供您参考，我们的服务器环境为2.20 GHz和64 GiB内存的Intel Xeon CPU E5-2630。 我们建议您的可用内存大于16 GiB，以重现我们的实验。 快速开始 演示：APR的效果 该命令通过在第40个数据集yelp （--adv_epoch）中为预训练的MF模型（--restore）添加对抗性扰动来显示APR的效果。 加载预训练模型后，前40个时期为正常MF-BPR，然后进行对抗训练APR。 python AMF.py --dataset yelp --adv_epoch 40 --epoc

平滑分类器认证稳健性的一致性正则化 (NeurIPS2020) 该存储库包含和的论文“平滑分类器的证明稳健性的一致性正则化”代码。 依存关系 conda create -n smoothing-consistency python=3 conda activate smoothing-consistency # IMPORTANT: Please make sure `pytorch != 1.4.0` # Currently, our code is not compatible to `pytorch == 1.4.0`; # See more details at `https://github.com/pytorch/pytorch/issues/32395`. # Below is for linux, with CUDA 10; see https://pytorc

StyleGAN —官方TensorFlow实施的编码器 的StyleGAN2 这是我的StyleGAN编码器； 有很多类似的东西，但这是我的。 感谢@Puzer作为原始人，其中包括叉子；感谢@SimJeg作为构成此处所用ResNet模型基础的初始代码；感谢@Pender他的叉子！ 从左到右：原始图像，在生成的StyleGAN面Kong上经过训练的ResNet的预测图像以及最终的编码图像。 我添加了什么： ResNet编码器-使用train_resnet.py自己训练或！ 将模型放在data / finetuned_resnet.h5中 可以直接替换以使用带有train_effnet.