一个异常检测库，包含最先进的算法和功能，例如实验管理、超参数优化和边缘推理。 Anomalib 是一个深度学习库，旨在收集最先进的异常检测算法，用于在公共和私有数据集上进行基准测试。Anomalib 提供了最近文献中描述的几种即用型异常检测算法的实现，以及一组有助于开发和实现自定义模型的工具。该库非常关注基于图像的异常检测，该算法的目标是识别异常图像或数据集中图像中的异常像素区域。Anomalib 不断更新新算法和训练/推理扩展，所以请继续检查！ 主要特点： 最大的即用型深度学习异常检测算法和基准数据集的公共集合。 基于PyTorch Lightning的模型实现，以减少样板代码并将实现工作限制在基本要素上。 所有模型都可以导出到OpenVINO中间表示 (IR)，以在英特尔硬件上进行加速推理。 一组推理工具，用于快速轻松地部署标准或自定义异常检测模型。

使用 Wild Horse Optimizer (WHO) 的支持向量机 (SVM) 超参数优化（matlab代码） 我们使用 Wild Horse Optimizer 作为解决工程优化问题的强大且快速的元启发式算法，在分类问题中开发优化支持向量机算法超参数（内核、c、gamma） 首先，您可以使用任何带有编辑 Main.m 文件的数据集，然后单击运行

使用Haris Hawks算法对SVM进行超参数优化的Matlab代码

基于遗传算法的线性二次调节器参数优化器对Q和R矩阵的参数进行了优化

该代码提供了一个基本示例，说明如何使用遗传算法、粒子群和模拟退火对单层（浅层）神经网络进行超参数优化。

大数据-算法-针对iPad2组装的天线盖热固化工艺参数优化研究.pdf

大数据-算法-视觉密码参数优化及外形失真研究.pdf

大数据-算法-鲁棒性稀疏表示深度图修复算法.pdf

AREOD 该存储库包含AREOD （用于对象检测的对抗鲁棒性评估）的代码，这是一个Python的库，用于进行对抗性机器学习研究，以正确地对标目标检测中的对抗性鲁棒性。 该存储库仍在开发中，我们使用3种针对对象检测模型的攻击来对逆向鲁棒性进行基准测试。 功能概述： 建立在tensorFlow上，并通过给定的接口支持TensorFlow和Kerasa模型 支持各种威胁模型中的多种攻击 提供现成的预训练基线模型（faster-rcnn-inception-v2-coco，多尺度GTRSB） 为bencmark模型提供方便的工具，并使用printor打印生成的对抗性样本 攻击方法清单 我们使用3种攻击方法生成对抗示例，下面的论文对此进行了介绍 ， ， ，。 稍后，我们使用连接的打印机将对抗性示例打印出来，以提供更高的性能基准。 安装 git clone https://github.c

超参数_优化