目标检测检测人+deepsort跟踪人，基于fasterrcnn以使用chainer默认的模型库 SSD的检测模型可私聊

在文章与之前编写的图像分类框架构建组合使用，这里只讲述基于chainer的模型构建，本次讲解如何使用chainer构建MobileNetV1网络结构，以及对应的mobilenetv1_0.25,mobilenetv1_0.5,mobilenetv1_0.75,mobilenetv1_1.0等结构

在文章与之前编写的图像分类框架构建组合使用，这里只讲述基于chainer的模型构建，本次讲解如何使用chainer构建MobileNetV2网络结构，以及对应的mobilenetv2_0.25,mobilenetv2_0.5,mobilenetv2_0.75,mobilenetv2_1.0等结构

在文章与之前编写的图像分类框架构建组合使用，这里只讲述基于chainer的模型构建，本次讲解如何使用chainer构建VGG网络结构以及对应的其他版本：vgg11，vgg13，vgg16，vgg19。并且考虑到有些电脑的显存不高，所以使用alpha降低通道数，但是效果经过测试后还是比较理想的。

Mask R-CNN 在Chainer中的实现

3dgan-chainer 3D生成对抗网络的Chainer实现。 结果 一些好的样品产生了椅子。 （50纪元） python generate_samples.py result/trained_models/Generator_50epoch.npz 要求 链接器（2.0.1） 科学的 scikit图像 h5py pip install scipy scikit-image h5py 可选的 如果要绘制体素，则需要 。 截至2017年10月19日，未发行版本的matplotlib仅包含功能 matplotlib 2.1.0 + 323.ge6448bafc pip install git+https://github.com/matplotlib/matplotlib 数据集 我使用了ShapeNet-v2数据集。 培训脚本支持.binbox或.h5扩展名。 描述你的数据集路径DATASET_PATH在train.py 。 .binvox 只需在ShapeNet-v2中使用.binvox文件

使用链接器的Cycle-Shape-GAN演示程序 文学： 具有周期和形状一致性生成对抗网络的多模式医疗卷的翻译和分段（ ） 依赖 我只确认了操作。 1）Python 3.5.3 2）chainer 3.3.0 3）杯2.3.0 4）枕头5.0.0 我在互联网上找不到带注释的MRI或CT图像，因此我使用cityScape数据集。 所以，我修改了几个点以使该数据集... 3d-conv适应2d-conv ...等

3D网络 用于大脑分割的3D Unet的Chainer实现。 培训配置位于configs / base.yml。 由于GPU内存的限制，我们使用了基于补丁的方法。 要求 SimpleITK 连连看v4 yaml 网络架构 3D Unet架构 用法 训练训练3D unet。 python train.py -h optional arguments: -h, --help show this help message and exit --gpu GPU, -g GPU GPU ID (negative value indicates CPU) --base BASE, -B BASE base directory path of program files --config_path CONFIG_PATH

adversarial-autoencoder, 敌对 autoencoder ( AAE )的Chainer实现 对抗性 AutoEncoder的代码。要求Chainer 2 python 2或者 3将标签信息合并到对抗性正则化中运行 semi-supervised/regularize_z/train.py我们用 10K 个

半监督文本分类的对抗训练方法 规范 此代码重现用 。 设置环境 请安装和 。 您可以使用此轻松设置环境。 下载预训练模型 请下载预先训练的模型。 $ wget http://sato-motoki.com/research/vat/imdb_pretrained_lm.model 结果 模型 错误率 基线 7.39 基准（我们的代码） 6.62 对抗性 6.21 对抗训练（我们的代码） 6.35 虚拟对抗训练 6.40 虚拟对抗训练 5.91 虚拟对抗训练（我们的代码） 5.82 跑 预训练 $ python -u pretrain.py -g 0 --layer