此仓库仅实现GhostNet的演示代码。 请移至以获取更多详细信息。 幽灵网 此存储库提供了CVPR 2020论文Pytorch演示实现。 带有预训练模型的TensorFlow / PyTorch实现可在。 要求 该代码已在Python3 PyTorch 1.0+上进行了验证。 用法 用法示例： import torch from ghost_net import ghost_net model = ghost_net(width_mult=1.0) input = torch.randn(32,3,224,224) y = model(input) print(y) GhostNet简介 GhostNet：廉价运营带来的更多功能。 CVPR2020。 韩开，王云和，田琦，郭建元，徐春景，徐昌。 方法 表现 GhostNet击败了其他SOTA轻量级CNN，例如MobileNetV

残差网络探测图片带模型

基本SR BasicSR（基本超级还原）是基于PyTorch的开源图像和视频还原工具箱（超分辨率，去噪，去模糊等）。 这是原始BasicSR的经过大量修改的分支。 您将在此处找到的内容：用于训练和测试计算机视觉（CV）模型的样板代码，集成在单个管道中的不同CV方法和策略以及模块化，以根据需要添加和删除组件，包括新的网络体系结构。 进行了大量的代码重写，以减少代码冗余和重复，重组代码并使其更具模块化。 可以在找到支持的体系结构的详细信息。 （自述文件当前为WIP） 此代码的最新版本中的一些新功能： 现在，将不同功能（HFEN，SSIM / MS-SSIM，SPL，TV / DTV等）使用的滤镜和图像操作合并到filter.py和colors.py中。 可重用的损失生成器，可以减少使用新模型时所需的更改，并且对所有模型仅添加一次新损失 度量构建器，在验证期间仅包括选定的那些。

I3D模型从Tensorflow转移到PyTorch 此仓库包含几个脚本，这些脚本允许从论文的I3D的Tensorflow实现传递权重 Joao Carreira和Andrew Zisserman撰写的PyTorch的。 原始（和官方的！）张量流代码可以在找到。 传输的核心是i3d_tf_to_pt.py脚本 使用python i3d_tf_to_pt.py --rgb启动它，以生成从ImageNet扩展初始化中python i3d_tf_to_pt.py --rgb的rgb检查点权重。 要生成流权重，请使用python i3d_tf_to_pt.py --flow 。 您还可以通过同时使用两个标记python i3d_tf_to_pt.py --rgb --flow在一次运行中生成两者。 请注意，主版本需要PyTorch 0.3，因为它依赖于此最新版本中所包含的Constan

Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

鉴于压缩退化图像的最佳恢复，本文提出了一种基于深度学习的卷积神经网络，在结构纹理分解的基础上，去除块状伪影的有效方法。 首先，通过总变化优化决策将退化图像分解为结构和纹理两部分。 然后，设计一个卷积神经网络以消除纹理部分中存在的阻塞伪像。 最后，将恢复的纹理部分与结构部分进行合成，以形成最终的最佳恢复图像。 实验结果证明了该方法在主观和客观上都可以消除阻塞伪像的性能优势。 最佳还原图像的客观质量指标。

基于tensorflow实现的DCGAN，自动生成动漫头像(内有头像数据爬取和裁剪函数)，也可以生成任意数据集（将数据文件夹放于data文件夹下即可，如data/faces/*.jpg）

跟着导师学习，导师让我看行为识别相关的顶会论文.这是我自己做的PPT，内容详细，风格简洁

笔记 不能保证所有实现都是正确的，未经原始作者检查，只能从本文描述中重新实现。 原始纸 包含EEGNet的原始论文和模型 tf_EEGNet 这是EEGNet的张量流实现 有关更多信息，请参见 tf_ConvNet 这是ConvNet的tensorflow实现 有关更多信息，请参见 留一题实验 型号：tf_EEGNet BCI_competion 2a的预处理 1. A trial contained 2s and was extraced 0.5s after the cue was given. 2. A 4-38Hz bandpass was done by a causal 6-order Butterworth fliter. 3. The MI dataset was sampled at 250Hz. And it was resampled to 128Hz for E

Spam Review Detection with Graph Convolutional Networks