MMAL网 这是论文用于细粒度的PyTorch实施（张帆，李萌，翟桂生，刘亦钊）由第27届国际多媒体建模国际会议（MMM2021）提供。 欢迎与我们讨论问题！ 目录 要求 的Python 3.7 pytorch 1.3.1 numpy的1.17.3 scikit图像0.16.2 Tensorboard 1.15.0 TensorboardX 2.0 tqdm 4.41.1 图像2.6.1 枕头6.1.0 数据集 下载数据集，并将提取的图像文件夹的内容复制到datasets / CUB 200-2011 / images中。 下载数据集并将提取的data / images文件夹的内容复制到datasets / FGVC_Aircraft / data / images ） 您也可以尝试其他细粒度的数据集。 培训TBMSL-Net 如果要训练MMAL-Net，请在运行py

AI Challenger 2018 细粒度用户评论情感分析数据集 训练集： sentiment_analysis_trainingset.csv 为训练集数据文件，共105000条评论数据 sentiment_analysis_trainingset_annotations.docx 为数据标注说明文件 protocol.txt 为数据集下载协议 验证集： sentiment_analysis_validationset.csv 为验证集数据文件，共15000条评论数据 sentiment_analysis_validationset_annotations.docx 为数据标注说明文件 protocol.txt 为数据集下载协议 测试集： sentiment_analysis_testa.csv 为测试集A数据文件，共15000条评论数据 protocol.txt 为数据集下载协议

基于深度卷积特征的细粒度图像分类研究综述

基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像识别关键技术分析与研究 基于卷积神经网络的细粒度图像

OpenIBL 介绍 OpenIBL是基于PyTorch的开源代码库，用于基于图像的本地化（换句话说，就是位置识别）。 它支持多种最新方法，还涵盖了ECCV-2020聚光灯SFRS的正式实施。 我们支持由slurm或pytorch启动的单/多节点多GPU分布式培训和测试。 正式执行： ：用于大规模图像定位的自监督细粒度区域相似性（ECCV'20 Spotlight ） 非官方实施： NetVLAD：用于弱监督位置识别的CNN架构（CVPR'16） SARE：用于大规模图像定位的随机吸引-排斥嵌入（ICCV'19） 常问问题 如何提取单个图像的描述符？ 请参阅。 如何在论文中

图像盲去运动模糊一直是计算机视觉领域的一个经典问题，它的目的是在模糊核未知的情况下恢复清晰图像。考虑到更大的感受野以及多尺度信息对恢复清晰图像中的全局信息以及局部细节信息具有重要作用，因此提出的方法对DeblurGAN方法进行改进，提出一种基于条件生成对抗网络的GR-DeblurGAN（granular residual DeblurGAN）的单图像盲去运动模糊方法，采用细粒度残差模块（granular residual block）作为骨干网络，以此在不增加参数量的情况下，扩大感受野，获得多尺度信息。最后在两个广泛使用的数据集：GoPro数据集以及Kohler数据集上进行算法性能评估，并与代表性算法进行对比。从实验结果可以看出，提出的方法改进效果明显，并且在计算开销上面优于其他算法。

猿 这是APE模型的实现，用于知识库中的细粒度实体类型化的属性和预测实体嵌入 接触： 如果您对代码和数据有任何疑问，请随时与我们联系。 Hailong Jin, jinhl15@mails.tsinghua.edu.cn

用于临床文本的细粒度中文分词和词性标注语料库

ai challenger 2018细粒度情感分类第一名解决方案,统一使用tensorflow和pytorch的一个框架

3.2 细粒度识别算法与视频技术的结合 在落地应用方面，单纯的图片级别的细粒度识别已经很难满足如今日常生活与工业生产 中的需求。随着社会的发展，日常生活中短视频的数量日益增加，工业生产中对工件视频级 别的检验需求也逐渐变多，使得细粒度识别从图像级别到视频级别的发展成为必然。目前视195 频级别的细粒度识别算法较少，需要将图像级的细粒度识别相关技术与普通的视频识别算法 结合起来，来促进视频级别的细粒度识别相关技术的发展。 [参考文献] (References) [1] Lowe D G . Distinctive Image Features from Scale-Invariant Keypoints[J]. International Journal of Computer Vision, 2004, 60(2):91-110. 200 [2] H. Bay, T. Tuytelaars, L. Van Gool. Surf: Speeded up robust features[A]. Lecture Notes in Computer Science[C]. Berlin, Heidelberg, 2006, 404-417. [3] Lecun Y , Bottou L , Bengio Y , et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11):2278-2324. [4] Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks[C]. 205 International Conference on Neural Information Processing Systems[A]. 2012.1106-1114.