cnn-classification-dog-vs-cat 基于CNN的图像分类器，使用Kaggle的猫狗图片数据。 1 requirement python3 numpy >= 1.14.2 keras >= 2.1.6 tensorflow >= 1.6.0 h5py >= 2.7.0 python-gflags >= 3.1.2 opencv-python >= 3.4.0.12 2 Description of files inputs: 猫狗图片样本数据，，使用keras库中的类读取，需要将每个类的图片放在单独命名的文件夹中存放； train.py: 自建的简单CNN，训练后测试集精度约83%； pre_train.py: 利用已训练的常用网络(基于数据集训练)，进行迁移学习，测试集精度约95%以上； data_helper.py: 数据读取和预处理模块； img_cnn.py:

ArtLine：基于深度学习的项目，用于创建线条艺术肖像

具有自适应时间特征分辨率的3D CNN CVPR 2021论文的源代码： 。 即将推出！ 敬请关注！ @inproceedings{sgs2021, Author = {Mohsen Fayyaz, Emad Bahrami, Ali Diba, Mehdi Noroozi, Ehsan Adeli, Luc Van Gool, Juergen Gall}, Title = {{3D CNNs with Adaptive Temporal Feature Resolutions}}, Booktitle = {{The IEEE Conference on Computer Vision and Pattern Recognition (CVPR) }}, Year = {2021} }

凸轮2BEV 该存储库包含我们的方法的官方实现，该方法用于在语义上分割的鸟瞰图（BEV）图像的计算中，给出了多个车载摄像机的图像，如本文所述： 一种Sim2Real深度学习方法，用于将图像从多个车载摄像头转换为鸟瞰视图中的语义分割图像（ ， ） ， 和 摘要—准确的环境感知对于自动驾驶至关重要。 当使用单眼相机时，环境中元素的距离估计带来了重大挑战。 将相机透视图转换为鸟瞰图（BEV）时，可以更轻松地估算距离。 对于平坦表面，反透视贴图（IPM）可以将图像准确地转换为BEV。 这种转换会使三维物体（如车辆和易受伤害的道路使用者）变形，从而使得很难估计它们相对于传感器的位置。 本文介绍了一种方法，该方法可从多个车载摄像机获得的图像中获得校正后的360°BEV图像。 校正后的BEV图像被分割成语义类别，并且包括对遮挡区域的预测。 神经网络方法不依赖人工标记的数据，而是在合成数据集

深度学习对象检测技术有时用于图像中的人物检测。 人员检测在自动驾驶系统中非常普遍。 此外，它还用于工厂和工作场所。 他们检查工人的行为或工人是否在危险区域佩戴必要的设备。 他的文件是一个示例代码，它使用标记的视频数据训练对象检测模型 (Yolo v2)，以检测是否戴头盔的人。 [键控] 图像处理·计算机视觉·深度学习·机器学习·CNN·Yolo v2·物体检测

基于深度学习雷达个体特征识别

天气预测-深度学习 该作业的目的是为天气预报创建时间序列预报模型。 所使用的数据集来自马克斯·普朗克生物地球化学研究所2009年至2016年的天气时间序列数据。原始数据集的时间步长为10分钟，但为了完成本作业的目的而对其进行了修改，以使其具有时间步长1小时。 生成的模型将输出大气压力，气温，相对湿度和风速（风速矢量的大小）的预测值。 输入要素将是前k个时间步长的天气属性。 这些功能将至少使用大气压力，气温，相对湿度和风速。

神经网络和深度学习（Neural Networks and Deep Learning） Michael Nielsen 中文版

Candock | 英文|| 时间序列信号分析和分类框架。 它包含多个网络，并提供数据预处理，数据扩充，培训，评估，测试和其他功能。 一些输出示例： 特征 数据预处理 规范：5_95 | maxmin | 没有任何 过滤器：fft | 冷杉| ir | 小波| 没有任何 资料扩充 各种数据扩充方法。 基数：比例，经线，app，aaft，iaaft，filp，作物 噪音：尖峰，阶跃，斜率，白色，粉红色，蓝色，棕色，紫色 甘：dcgan 网络 各种评估网络。 1天 lstm，cnn_1d，resnet18_1d，resnet34_1d，multi_scale_resnet_1d，micro_multi_scale_resnet_1d，自动编码器，mlp 2d（频谱图） mobilenet，resnet18，resnet50，resnet101，densenet121，densene

EGNN-Pytorch（WIP） 中的实现。 最终可用于Alphafold2复制。 安装 $ pip install egnn-pytorch 用法 import torch from egnn_pytorch import EGNN layer1 = EGNN ( dim = 512 ) layer2 = EGNN ( dim = 512 ) feats = torch . randn ( 1 , 16 , 512 ) coors = torch . randn ( 1 , 16 , 3 ) feats , coors = layer1 ( feats , coors ) feats , coors = layer2 ( feats , coors ) # (1, 16, 512), (1, 16, 3) 带边 import torch from egnn_pytorch impo