基于深度学习的生物信息学聚类方法 ”期刊的“”中发表的论文“基于深度学习的生物信息学聚类方法”的代码和补充材料。 此仓库将定期更新。 特别是，将添加更完整的Jupyter笔记本。 在本文中，我们回顾了基于深度学习的聚类分析方法，包括网络训练，表示学习，参数优化和制定聚类质量指标。 我们还讨论了在不同的场景（例如生物成像，基因表达聚类）中，基于不同的自动编码器体系结构（例如，香草，变异，LSTM和卷积）的表示学习如何比基于ML的方法（例如，PCA）更有效。 ，以及将生物医学文本聚类。 基于深度学习的无监督/聚类方法，链接到论文和代码 我们提供了基于深度学习的无监督/聚类方法，论文链接和代码的列表。 此外，还将列出提出新方法和论文的文章。 敬请期待！ 标题 文章 会议/期刊 代码 卷积自动编码器（DCEC）的深度聚类 ICONIP'2017 用于一致性培训（UDA）的无监督数据增强 Arx

道路分割 客观的 在自动驾驶的情况下，给定前摄像头视图，汽车需要知道道路在哪里。 在这个项目中，我们训练了神经网络，通过使用一种称为完全卷积网络（FCN）的方法来标记图像中道路的像素。 在此项目中，使用KITTI数据集实施FCN-VGG16并对其进行了培训，以进行道路分割。 演示版 （单击以查看完整的视频） 1代码和文件 1.1我的项目包括以下文件和文件夹 是演示的主要代码 包含单元测试 包含一些帮助程序功能 是带有GPU和Python3.5的环境文件 文件夹包含KITTI道路数据，VGG模型和源图像。 文件夹用于保存训练后的模型 文件夹包含测试数据的细分示例 1.2依赖关系和我的环境 Miniconda用于管理我的。 Python3.5，tensorflow-gpu，CUDA8，Numpy，SciPy 操作系统：Ubuntu 16.04 CPU：Intel:registered:Core:trade_mark:i7-68

Social-STGCNN：用于人类轨迹预测的社会时空图卷积神经网络 阿卜杜拉·穆罕默德·昆茜 Mohamed Elhoseiny **，Christian Claudel ** **平等建议 阅读全文，在 社会-STGCNN 我们提出了社会时空图卷积神经网络（Social-STGCNN），该模型将人类轨迹预测问题建模为时空图。 我们的结果表明，与先前报道的方法相比，最终位移误差（FDE）较现有技术提高了20％，平均位移误差（ADE）的改进比参数减少了8.5倍，推理速度提高了48倍。 此外，我们的模型具有较高的数据效率，仅使用20％的训练数据就超出了ADE指标上的现有技术水平。 我们提出了一个核函数，将行人之间的社交互动嵌入邻接矩阵中。 仅使用7.6K参数，我们的模型推断速度为0.002s /帧（500Hz）。 Citaion 您可以使用以下方法引用我们的论文： @inprocee

A Fast Proximal Method for Convolutional Sparse Coding.pdf

Keras CNN分类器 该存储库提供代码以根据Tensorflow 2.0中Keras API提供的预训练卷积神经网络（CNN）设置和训练自己的图像分类器。 您可以利用转移学习对自己收集的数据集进行训练，或者从头开始训练网络以比较大型数据集的性能。 如何使用 这个仓库的主要代码包含在ClassifierCNN类Classifier.py 。 您真正需要做的就是导入该类，设置一个适当的实例来指定所需的数据集和模型，一切顺利。 下面提供了一些示例： # Import pre-trained Keras CNN Model from keras.applications.densenet import DenseNet169 # Import ClassifierCNN class from Classifier import ClassifierCNN # Instantiate clas

论文Deep_Convolutional_Neural_Network_for_Inverse_Problems_in_Imagin

matlab 交叉验证代码 Preface 下面是我对这篇 Reading Text in the Wild with Convolutional Neural Networks 文章, 对于前半部分：文字定位检测部分的复现大致流程。 用的数据集是 ICDAR 2011: ，不少人都说 ICDAR 2011 数据集下载不了，我在这里上传一份我自己备份的： 需要指出的是，一方面因为做个实验与示例，且数据集小，做的结果比较粗糙。希望大家包含一下，因为不少同学跟我私信要代码，我在这里贴出来。希望得到大神的建议，帮助完善。 整理后的过程文件都在 reading text in the wild 中。 edge_boxes_with_python 文件夹，存放 Edge Boxes 、Random Forest 的代码，还有一些中间保存的变量结果。 Bounding_Box_Reg 是存放最后回归的文件夹。训练数据的生成、网络的定义都在里面。 Output 文件夹存放中间输出的图像，即将 Bounding Boxes 画在原图上的结果。 **注意：**下面有些数学公式，Github 上不支持，您

Petrographic microfacies classification with deep convolutional

RNN和Temporal-ConvNet进行活动识别 ，（等额缴纳） 论文代码： （在杂志上接受，2019年） 项目： 抽象的 在这项工作中，我们使用ResNet-101演示了一个强大的基线两流ConvNet。 我们使用此基线来彻底检查RNN和Temporal-ConvNets的使用，以提取时空信息。 基于我们的实验结果，然后我们提出并研究了两个不同的网络，以进一步整合时空信息：1）时域RNN和2）初始样式的Temporal-ConvNet。 我们的分析确定了每种方法的特定局限性，这些局限性可能构成未来工作的基础。 我们在UCF101和HMDB51数据集上的实验结果分别达到了94.1％和69.0％的最新性能，而无需大量的时间增强。 我们如何解决活动识别问题？ 演示版 GIF展示了我们的TS-LSTM和“时间-开始”方法的前3个预测结果。 顶部的文本是基本事实，三个文本是每种方法的预

Deep convolutional neural networks as an estimator of porosity i