盖特·甘 GaitGAN的pytorch实现：使用生成对抗网络的不变步态特征提取。 Yu, Shiqi, et al. "Gaitgan: invariant gait feature extraction using generative adversarial networks." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. 2017. 相依性 python3 pytorch >= 0.4.0 。 训练 要训​​练模型，请将silhoutte数据放在存储库中，然后转到src dir并运行 python3 train.py 该模型将每500次迭代保存到执行目录中。 您可以更改train.py中的间隔。 监控表现 安装 。 使用python3 -

1.可以进行分类任务直接运行 2.有数据集一个17类花分类数据集 3.可以训练自己的数据集 4.可以根据配置文件配置mobilenetV1或者V2或者V3

1.基于RNN的神经网络 2.对于“记忆”的进一步优化 3.”门“结构 1.一些准备工作 2.搭建LSTM单元 3.运行测试

弱监督定位调查：使用PyTorch中预先训练的CNN进行弱监督对象定位的各种算法的调查

之前在用预训练的ResNet的模型进行迁移训练时，是固定除最后一层的前面层权重，然后把全连接层输出改为自己需要的数目，进行最后一层的训练，那么现在假如想要只是把 最后一层的输出改一下，不需要加载前面层的权重，方法如下： model = torchvision.models.resnet18(pretrained=False) num_fc_ftr = model.fc.in_features model.fc = torch.nn.Linear(num_fc_ftr, 224) model = nn.DataParallel(model, device_ids=config.gpus).to

基于pytorch与yolo-v5的猪脸目标检测模型与代码，带有训练好的模型权重，开箱即用 带有测试样例代码，可以直接运行

深度学习中的GAM注意力机制pytorch实现版本

PIFu：像素对齐的隐式函数，可实现高分辨率的带披肩的人类数字化 消息： [2020/05/04]添加了用于训练数据生成的EGL渲染选项。 现在，您可以使用无头机器创建自己的训练数据！ [2020/04/13]提供了带有Google Colab的演示（包括可视化）。 特别感谢 ！！！ [2020/02/26]许可证已更新为MIT许可证！ 享受！ 该存储库包含“ ”的pytorch实现。 如果您发现该代码对您的研究有用，请考虑引用该论文。 @InProceedings{saito2019pifu, author = {Saito, Shunsuke and Huang, Zeng and Natsume, Ryota and Morishima, Shigeo and Kanazawa, Angjoo and Li, Hao}, title = {PIFu: Pixel-Ali

MVSNet代码超详细注释，PyTorch可运行，其中 temp.py 随机生成图像和内外参，可以快速测试代码并学习网络。

相对论的甘 它是什么？ 此仓库具有相对论GAN的简单实现。 相对论修改了GAN目标，从而大大提高了训练的稳定性。 这两个目标是： 对于发电机培训步骤： err_d = ( torch.mean((y_real - torch.mean(y_gene) - 1) ** 2) + torch.mean((y_gene - torch.mean(y_real) + 1) ** 2) ) 凡y_real是鉴别得分的真实数据和y_gene是鉴别得分假数据 对于鉴别器： err_g = ( torch.mean((y_real - torch.mean(y_gene) + 1) ** 2) + torch.mean((y_gene - torch.mean(y_real) - 1) ** 2)