CNNIQA 以下论文的PyTorch 1.3实施： 笔记 在这里，选择优化器作为Adam，而不是本文中带有势头的SGD。 data /中的mat文件是从数据集中提取的信息以及有关火车/ val /测试段的索引信息。 LIVE的主观评分来自。 训练 CUDA_VISIBLE_DEVICES=0 python main.py --exp_id=0 --database=LIVE 训练前， im_dir在config.yaml被指定必须的。 可以在config.yaml设置数据库内实验中的Train / Val / Test拆分比率（默认值为0.6 / 0.2 / 0.2）。 评估 测试演示 python test_demo.py --im_path=data/I03_01_1.bmp 交叉数据集 python test_cross_dataset.py --help TODO：

卷积神经网络的开发，用于音乐音频文件的多标签自动标记 初步步骤 下载mp3文件，然后使用以下方法将其组合：cat mp3.zip。*> single_mp3.zip从以下子文件夹中提取文件：find。 -mindepth 2型f -print -exec mv {}。 ; 介绍 通常，音乐音频文件可以随附与其内容有关的元数据，例如自由文本描述或标签。 事实证明，标签更有用，因为它们可以提供对音频文件的更直接描述，并且可以用于与音乐相关的推荐系统中的任务，如按性别分类，艺术家，乐器等。 由于并非所有音频文件都带有标签，因此需要自动标记。 广泛使用的一种方法涉及使用无监督特征学习，例如K均值，稀疏编码和Boltzmann机器。 在这些情况下，主要关注的是捕获低水平音乐结构，这些结构可用作某些分类器的输入。 另一种方法涉及受监督的方法，例如各种体系结构类型（MLP，CNN，RNN）的深层神经

PyTorch用于语义分割 该存储库包含一些用于语义分割的模型以及在PyTorch中实现的训练和测试模型的管道 楷模 Vanilla FCN：分别为VGG，ResNet和DenseNet版本的FCN32，FCN16，FCN8（ ） U-Net（ ） SegNet（ ） PSPNet（） GCN（） DUC，HDC（） 需求 PyTorch 0.2.0 PyTorch的TensorBoard。 安装 其他一些库（在运行代码时查找丢失的内容：-P） 制备 转到models目录并在config.py中设置预训练模型的路径 转到数据集目录并按照自述文件进行操作 去做 DeepLab v3

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

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

RegNet 介绍 在这项工作中，我们提出了一种通过学习方法来解决非刚性图像配准的方法，而不是通过对预定义的相异性度量进行迭代优化来解决。 我们设计了卷积神经网络（CNN）架构，与所有其他工作相反，该架构直接从一对输入图像中估计位移矢量场（DVF）。 提议的RegNet使用大量的人工生成的DVF进行了训练，没有明确定义相异性度量标准，并且以多种比例集成了图像内容，从而为网络配备了上下文信息。 在测试时，与当前的迭代方法相反，非刚性配准是一次完成的。 引文 [1] ， ， ， ， ， ， 和 ，2019年。。 arXiv预印本arXiv：1908.10235。 [2] ， ， ， ， IvanaIšgum和Marius Staring ，2017年9月。 使用多尺度3D卷积神经网络进行非刚性图像配准。 在医学图像计算和计算机辅助干预国际会议上（第232-239页）。 湛

组织病理学检测 创建了一种算法，以识别从较大的数字病理扫描中获取的小图像斑块中的转移癌。 该比赛的数据是对PatchCamelyon（PCam）基准数据集的略微修改版本 动机 乳腺癌的临床诊断最好通过活检来实现。 病理学家通过在显微镜下手动检查组织切片来进行诊断。 但是，传统的诊断系统需要专业知识，只有经验丰富的病理学家才能准确地确定肿瘤组织。 当前，在印度的各个农村地区，人们无法获得良好的医疗保健设施。 另外，农村地区没有新的先进设备，因此甚至有可能无法正确诊断患者。 农村地区医疗状况不佳的主要原因之一是缺乏经验丰富的医生。 数据集 该研究使用的数据集是PatchCamelyon（PCam）[21]，[22]的略微修改版本。由于其概率抽样，原始PCam数据集包含重复图像，但是此版本不包含重复图像。 该数据集是开源的，可以从（ ）下载。 数据集包含超过220K张RGB图像，尺寸为96x

本文解析的代码是论文Semi-Supervised Classification with Graph Convolutional Networks作者提供的实现代码。 原GitHub：Graph Convolutional Networks in PyTorch 本人增加结果可视化 (使用 t-SNE 算法) 的GitHub：Visualization of Graph Convolutional Networks in PyTorch。本文作代码解析的也是这一个。 文章目录train.py函数定义版本兼容路径初始化所需要的函数库显示超参数函数：show_Hyperparameter(arg

医学影像中的机器学习--U-Net 是用于生物图像分割的卷积神经网络（CNN）。 为了保留更精细的特征图，使用了跳过连接来补充更深层中的数据。 在这项工作中，将相同的体系结构用于MRI脑部扫描，以预测一种给予另一种的方式。 这是通过将以两种不同方式扫描的原始MRI体数据切成可在网络上进行训练的2D图像来完成的。 该网络是使用 （用于CNN的MATLAB工具箱）实现的。

真棒图神经网络：图神经网络的论文清单