用于交通信号控制的Deep Q学习代理 深入的Q-Learning强化学习代理尝试在交叉路口选择正确的交通信号灯相位以最大化交通效率的框架。 我已将其上传到此处，以帮助任何人寻找通过SUMO进行深度强化学习的良好起点。 这段代码是从我的硕士论文中提取的，它代表了我的论文工作所用代码的简化版本。 我希望您可以找到此存储库对您的项目有用。 入门 这些说明将为您提供在本地计算机上运行的项目的副本。 我认为，以下是最简单的步骤，以便以最少的工作量从头开始运行算法。 强烈建议使用配备NVIDIA GPU的计算机。 下载Anaconda（）并安装。 下载SUMO（ ）并安装。 按照简短指南正确正确地安装tensorflow-gpu，不会出现问题。 简而言之，该指南告诉您打开Anaconda Prompt或任何终端，然后键入以下命令： conda create --name tf_gpu ac

单图深度估计Learning Depth from Single Monocular Images Using Deep Convolutional Neural Fields-附件资源

有新作品@ 代码更新和一些注意事项： 非常遗憾，由于工业工作的承诺和时间紧迫，未能及时回复大多数信息。 显然os.m丢失了，我在本地代码库中找到了它。 在外部工具/ tvl1flow /中添加。 希望对您有所帮助，谢谢。 另外，希望它对您的研究工作有益：) 深度学习的微表达 在微表情识别和识别主题上进行深度学习的实验。 平台和依存关系 Ubuntu 16.04 Python 3.6 Keras 2.0.6 Opencv 3.1.0 pandas 0.19.2 CuDNN 5110.（可选，但建议用于深度学习） 从此网址下载文件 （由于许可证的缘故，删除了应用了TIM的CASMEII，因此您需要应用TIM并自行裁剪，下面的链接是对数据库的访问请求。） 与TIM相关：TIM代码可以在下面下载， : 注意：除TIM大小外，参数均为默认值 相关的光流：我添加了一些脚本来提取光流特征（在E

图自动编码器这是本文所述的（可变）图自动编码器模型的TensorFlow实现：TN Kipf，M.Welling，变分图自动编码器，关于贝叶斯深度学习的NIPS研讨会（2图自动编码器）这是（可变）图自动编码器模型的TensorFlow实现，如我们的论文所述：TN Kipf，M.Welling，变图自动编码器，关于贝叶斯深度学习的NIPS研讨会（2016）图自动编码器（GAE） GAE是成功用于图上无监督学习，聚类和链接预测的端到端可训练神经网络模型：大规模关系数据中的链接预测：M。Schlichtkrull和TN Kipf等。

类激活图 通过可视化对于这些模型的预测（或视觉解释）“重要”的输入区域，可以使基于卷积神经网络（CNN）的模型更加透明的技术。 使用VinBigData图像和Inception架构的示例

AdaBound一种优化器，其训练速度与Adam一样快，并且与SGD一样好，用于针对CV，NLP等领域中的各种流行任务开发最新的深度学习模型。 。 （2019）。 Ada AdaBound一种优化器，其训练速度与Adam一样快，并且与SGD一样好，用于针对CV，NLP等领域中的各种流行任务开发最新的深度学习模型。 al。 （2019）。 具有学习率动态范围的自适应梯度方法。 在过程中。 的ICLR 2019版本。快速链接网站演示安装AdaBound需要Python 3.6.0或更高版本。 我们目前提供PyTorch版本，并且TensorFlow的AdaBound即将推出。 通过安装

图像去噪的深度学习概述由田春伟，费伦克，张文贤，徐勇，左望孟和林嘉雯提供，其为 。 它已经由神经网络（IF：5.535）发布。 此外，本文已被推送到神经网络的主页上。 本文是针对图像去噪的深度学习的第一个完整摘要，对读者而言非常有意义。 它是通过微信公众账号在报道 ， 和 。 抽象 深度学习技术在图像去噪中获得了很多关注。 但是，不同类型的深度学习方法在处理噪声方面有很大的差异。 具体来说，基于深度学习的判别式学习可以很好地解决高斯噪声。 基于深度学习的优化模型方法对真实噪声的估计有很好的效果。 到目前为止，很少有相关研究来总结用于图像去噪的不同深度学习技术。 在本文中，我们对图像去噪中不同深度技术进行了比较研究。 我们首先对（1）用于加性白噪声图像的深卷积神经网络（CNN），（2）用于真实噪声图像的深CNN，（3）用于盲目去噪的深CNN和（4）用于混合噪声图像的深CNN进行分类，是嘈杂，

尼尔森神经网络和深度学习 迈克尔尼尔森（Michael Nielsen）的书-。 在线书的源代码在，而相关的许可证在文件LICENSE.mnielsen 。

肝分割项目 目的：目的是通过计算机视觉在患者扫描时自动描绘肝脏。 所使用的方法来自研究论文 在此项目中，我们将这种方法应用于本研究论文描述的肝图像分割。 数据 提供NifTi格式的数据。 该数据集包含20种3D医学检查，我们为每项检查都提供了源图像以及肝脏分割的遮罩。 我们使用nibabel库（ ）来读取关联的图像和蒙版。 模型 我们训练了一个U-net架构，一个完全卷积的网络。 该体系结构的原理是在通常的签约网络中添加带有上采样运算符的层而不是池。 这允许网络学习上下文（契约路径），然后学习本地化（扩展路径）。 由于跳过连接，上下文信息被传播到更高分辨率的层。 因此我们拥有与输入相同大小

PyTorch中的3D多模式医学图像分割库我们坚信开放和可复制的深度学习研究。 我们的目标是在PyTorch中实现状态为状态的开源医学图像分割库。3D多模式医学图像分割库我们坚信开放和可复制的深度学习研究。 我们的目标是在PyTorch中实现先进的3D深层神经网络开源医学图像分割库。 我们还实现了最常见的医学图像数据集的一堆数据加载器。 该项目以MSc论文开始，目前正在进一步开发中。 尽管这项工作最初专注于3D多模态文胸