令人敬畏的图像着色 基于深度学习的图像着色论文和相应的源代码/演示程序的集合，包括自动和用户指导（即与用户交互）的着色，以及视频的着色。 随意创建PR或问题。 （首选“拉式请求”） 大纲 1.自动图像着色 纸 来源 代码/项目链接 ICCV 2015 深着色 ICCV 2015 学习表示形式以实现自动着色 ECCV 2016 [项目] [代码] 彩色图像着色 ECCV 2016 [项目] [代码] 让有颜色！：全局和局部图像先验的端到端联合学习，以实现同时分类的自动图像着色 SIGGRAPH 2016 [项目] [代码] 通过生成对抗网络进行无监督的多样化着色 ECML-PKDD 2017 [代码] 学习多样的图像着色 CVPR 2017 [代码] 多种着色的结构一致性和可控性 ECCV 2018 使用有限的数据进行着色：通过内存增强网络进行少量着色 CVP

softmax_variants softmax变体的各种损失函数：中心损失，余面损失，高边距高斯混合，由pytorch 0.3.1实现的COCOLoss 训练数据集是MNIST 您可以直接运行代码train_mnist_xxx.py重现结果 参考文件如下： 中锋失利：温彦东，张凯鹏，李志峰和乔巧。 一种用于深度人脸识别的判别性特征学习方法。 ECCV 2016 Cosface损失：王浩，王一彤，周正，邢吉，狄宏恭，周静超，李志峰和刘伟。 CosFace：用于深脸识别的大余量余弦损失。 CVPR2018 大幅度高斯混合损失：万维涛，钟元仪，李天鹏，陈建生。 重新考虑图像分类中损失函数的特征分布。 CVPR 2018 COSO损失：刘宇，李洪阳，王小刚。 重新思考特征识别和聚合，以进行大规模识别。 NIPS研讨会2017 学到的二维嵌入功能包括： softmax损失 可可

本文提出了一种基于稀疏编码和分类器集成的多实例学习框架下的图像分类方法。 具体而言，从所有训练包的实例中学习字典。 包的每个实例都表示为字典中所有基本向量的稀疏线性组合，然后，包也表示为一个特征向量，该特征向量是通过包内所有实例的稀疏表示来实现的。 因此，MIL问题被转换为可以通过众所周知的单实例学习方法（如支持向量机（SVM））解决的单实例学习问题。 有两种提高分类性能的策略：第一，通过使用不同大小的字典重复使用上述方法来获得组件分类器。 其次，将分类器集合的结果用于预测。 与最新的MIL方法相比，COREL数据集上的实验结果证明了该方法在分类准确性方面的优越性。

神经关系推理（NRI） 用于交互系统的图神经网络 给定节点的时间序列数据，NRI模型会将未来的节点状态和节点之间的基础抵销关系预测为边缘。 这是Chainer中神经关系推理（NRI）的再现作品。 作者的原始实现可在此处找到： 。 请参阅本文的详细信息： 交互系统的神经关系推断。 Thomas Kipf *，Ethan Fetaya *，Kuan-Chieh Wang，Max Welling，Richard Zemel。 ：平等贡献） 数据集 粒子物理模拟数据集 cd data python generate_dataset.py 训练 粒子物理模拟数据集 python train.py --gpu 0 可视化结果 python utils/visualize_results.py \ --args-file results/2019-01-22_10-20-25_0/args.

派克 有关完整的详细信息，请查看 。 安装 git clone cd PyCk pip3 install -r requirements.txt 通过Docker安装 git clone https://github.com/Naategh/PyCK.git docker build . 要求 的Python 3.5 路线图 这是一个教育性项目，旨在学习为python中的pentest创建简单而有用的工具。 如果您有任何想法要与我们分享以改进它，请。 接触 电子邮件： 电报： 推特：

Place365GoogLeNet 是在 Places365 数据集上训练的预训练模型，其底层网络架构与在 ImageNet 数据集上训练的 GoogLeNet 相同。 您可以使用网络阅读 句法净= googlenet net = googlenet('权重',权重) net = googlenet('Weights',weights) 返回在 ImageNet 或 Places365 数据集上训练的 GoogLeNet 网络。 如果权重等于“imagenet”，则网络具有在 ImageNet 数据集上训练的权重。 如果权重等于“places365”，则网络具有在 Places365 数据集上训练的权重。 从您的操作系统或 MATLAB 中打开 place365googlenet.mlpkginstall 文件将启动您拥有的版本的安装过程。 此 mlpkginstall 文件适用

非线性降维，流形学习的经典Laplacian Eigenmaps（LE）算法文章

PyTorch主动学习 常见的主动学习方法库包括： 环环相扣的机器学习罗伯特·蒙罗（Robert Munro） 曼宁出版物 该代码是独立的，可以与本书一起使用。 库中的主动学习方法 该代码当前包含用于以下目的的方法： 最低置信度抽样 置信度抽样 置信度采样率 熵（分类熵） 基于模型的离群抽样 基于聚类的采样 代表性抽样 自适应代表性抽样 主动转移学习以进行不确定性采样 主动转移学习以进行代表性抽样 自适应采样的主动转移学习（ATLAS） 本书介绍了如何在计算机视觉和自然语言处理中将它们独立地，组合地应用以及用于不同的用例。 它还涵盖了针对现实世界多样性进行抽样以避免偏见的策略。 安装： 如果您克隆此仓库并且已经安装了PyTorch，则应该能够立即开始： git clone https://github.com/rmunro/pytorch_active_learning cd

Recent developments in laser scanning technologies have provided innovative solutions for acquiring three-dimensional (3D) point clouds about road corridors and its environments. Unlike traditional field surveying, satellite imagery, and aerial photography, laser scanning systems offer unique solutions for collecting dense point clouds with millimeter accuracy and in a reasonable time. The data acquired by laser scanning systems empower modeling road geometry and delineating road design parameters such as slope, superelevation, and vertical and horizontal alignments. These geometric parameters have several geospatial applications such as road safety management. The purpose of this book is to promote the core understanding of suitable geospatial tools and techniques for modeling of road traffic accidents by the state-of-the-art artificial intelligence (AI) approaches such as neural networks (NNs) and deep learning (DL) using traffic information and road geometry delineated from laser scanning data. Data collection and management in databases play a major role in modeling and developing predictive tools. Therefore, the first two chapters of this book introduce laser scanning technology with creative explanation and graphical illustrations and review the recent methods of extracting geometric road parameters. The third and fourth chapters present an optimization of support vector machine and ensemble tree methods as well as novel hierarchical object-based methods for extracting road geometry from laser scanning point clouds. Information about historical traffic accidents and their circumstances, traffic (volume, type of vehicles), road features (grade, superelevation, curve radius, lane width, speed limit, etc.) pertains to what is observed to exist on road segments or road intersections. Soft computing models such as neural networks are advanced modeling methods that can be related to traffic and road features to the historical accidents and generates regression equations that can be used in various phases of road safety management cycle. The regression equations produced by NN can identify unsafe road segments, estimate how much safety has changed following a change in design, and quantify the effects of road geometric features and traffic information on road safety. This book aims to help graduate students, professionals, decision makers, and road planners in developing better traffic accident prediction models using advanced neural networks.

GKT 本文。 GKT的体系结构如下： 设置 要运行此代码，您需要以下内容： 配备GPU的机器 python3 numpy，pandas，scipy，scikit-learn和火炬程序包： pip3 install numpy==1.17.4 pandas==1.1.2 scipy==1.5.2 scikit-learn==0.23.2 torch==1.4.0 请注意，不要使用0.23.4版本的熊猫，因为在processing.py文件中执行以下命令时，它将导致错误。 df.groupby('user_id', axis=0).apply(get_data) 如果您使用“ assistment_test15.csv”文件进行测试，则在pandas 0.23.4版本中，经过groupby用户后，它将返回16名学生。 但是，如果您在1.x版本中使用熊猫，它将返回15名学生。 （此