VAE Tacotron-2： 非官方实现 仓库结构： Tacotron-2 ├── datasets ├── LJSpeech-1.1 (0) │   └── wavs ├── logs-Tacotron (2) │   ├── mel-spectrograms │   ├── plots │   ├── pretrained │   └── wavs ├── papers ├── tacotron │   ├── models │   └── utils ├── tacotron_output (3) │   ├── eval │   ├── gta │   ├── logs-eval │   │   ├── plots │   │   └── wavs │   └── natural └── training_data (1)    ├── audio    └── mels

治愈算法的matlab代码语义可解释和可控制的过滤器集 这是本文的MATLAB实现： ，，和，“语义可解释和可控制的滤波器集”，2018年第25届IEEE国际图像处理会议（ICIP），雅典，2018年，第1053-1057页。 （*：均等） [] 抽象的 在本文中，我们生成和控制语义可解释的过滤器，这些过滤器可以无监督的方式从自然图像中直接学习。 每个语义过滤器都会与其他过滤器一起学习视觉上可解释的局部结构。 学习这些可解释的过滤器集的重要性在两个对比的应用程序中得到了证明。 第一个应用是渐进式脱色下的图像识别，其中识别算法应对颜色不敏感以实现稳定的性能。 第二个应用是图像质量评估，其中客观方法应对颜色退化敏感。 在提出的工作中，通过基于语义过滤器表示的局部结构对语义过滤器进行加权来控制其敏感性和不足。 为了验证所提出的方法，我们利用CURE-TSR数据集进行图像识别，并利用TID 2013数据集进行图像质量评估。 我们表明，提出的语义过滤器集在两个数据集中均实现了最新的性能，同时保持了其在渐进式失真中的鲁棒性。 语义自动编码器 我们研究了不同的正则化技术，包括l 1 （（a），（d）

使用半监督递归自动编码器来学习句子的含义并预测电影评论的极性。 通过对轮虫的电影评论数据集进行随机单词初始化，可以达到72％的准确性。 该代码基于Richard Socher的工作，如论文“用于预测情绪分布的半监督递归自动编码器”中所述，以及它们的MATLAB代码。 主文件是main.py

用卷积滤波器matlab代码Matlab卷积自动编码器 卷积自动编码器的成本函数（cautoCost2.m）和成本梯度函数（dcautoCost2.m）。 网络体系结构相当有限，但是这些功能对于将输入与一组过滤器进行卷积然后重构的无监督学习应用程序应该是有用的。 这对于发现数据的平移不变特征也很有用。 输入被输入到卷积层，该卷积层是应用于所有用户定义的数据子集的一组过滤器。 卷积层的输入输出功能是S形的。 重建层（或输出层）是线性的。 夹在卷积和重建层之间的可选附加隐藏层是S形。 可以在文件cautoCost2.m的注释中找到更多信息。 注意：此代码在一些地方使用了parfor，这是并行的for循环。 这需要并行化工具箱。 如果没有并行化工具箱，请将parfor循环替换为for循环。

一、概述 AutoEncoder大致是一个将数据的高维特征进行压缩降维编码，再经过相反的解码过程的一种学习方法。学习过程中通过解码得到的最终结果与原数据进行比较，通过修正权重偏置参数降低损失函数，不断提高对原数据的复原能力。学习完成后，前半段的编码过程得到结果即可代表原数据的低维“特征值”。通过学习得到的自编码器模型可以实现将高维数据压缩至所期望的维度，原理与PCA相似。 二、模型实现 1. AutoEncoder 首先在MNIST数据集上，实现特征压缩和特征解压并可视化比较解压后的数据与原数据的对照。 先看代码： import tensorflow as tf import numpy

SESF保险丝 SESF-Fuse：用于多焦点图像融合的无监督深度模型 抽象的 在这项工作中，我们提出了一种无监督的深度学习模型来解决多焦点图像融合问题。 首先，我们以无监督的方式训练编码器-解码器体系结构，以获取输入图像的深层特征。 然后，我们利用这些特征和空间频率来测量活动水平，这在多焦点融合任务中起着至关重要的作用。 该方法背后的关键点在于，只有景深（DOF）内的对象在照片中才具有清晰的外观，而其他对象则很可能被模糊。 与以前的工作相比，我们的方法分析的是深层特征的锐利外观，而不是原始图像。 实验结果表明，与现有的16种融合方法相比，该方法在客观和主观评估中均达到了最新的融合性能。 可视化 我们在下图中显示融合结果的可视化。 第一行是近焦点源图像，第二行是远焦点源图像。 第三行是我们方法的决策图，最后一行是融合结果。 分行介绍 我们在该分支机构中提供SESF-Fuse的培训和测试方法

python实现

基于 An Introduction to deep learning for physical layer 论文进行的one hot vector的autoencoder的matlab仿真实现。 文件包含： m文件 autoencoder_one_hot 主程序包含网络的定义，训练及测试 NormalizationLayer 归一化层 gaussianNoiseLayer 噪声层 BLER_test 测试网络的BLER constellation_test 测试网络生成信号的星座图 mat文件 autoencoder_2_2 保存的（n,k）为（2，2）的仿真结果 autoencoder_7_4保存的（n,k）为（7，4）的仿真结果

基于自动编码器的通信系统 基于研究论文的基于AutoEncoder的通信系统的实现和结果：“物理层深度学习简介” 此回购协议有效地实现了基于自动编码器的通信系统，摘自Tim O'Shea和Jakob Hoydis撰写的研究论文“物理层深度学习入门”。在我的无线通信实验室课程中，我从事该研究论文并重新本研究论文的结果。 基于深度学习的通信系统的概念是新的，并且具有基于深度学习的通信的许多优点。本文提供了与许多其他论文完全不同的方法，并尝试在物理层引入深度学习。 研究论文摘要 我们提出并讨论了物理层深度学习的几种新颖应用。 通过将通信系统解释为自动编码器，我们开发了一种将通信系统设计视为端到端重构任务的基本新方法，该任务旨在在单个过程中共同优化发射器和接收器组件。 我们将展示如何将该思想扩展到多个发射机和接收机的网络，并提出无线电变压器网络的概念，作为将专家领域知识纳入机器学习模型的一种手

一篇关于卷积自编码的论文，写的非常好，此处上传仅仅是为了通过我博客想下载的朋友。