SIXray：用于重叠图像中禁止物品发现的大规模安全检查X射线基准
要求
推荐使用： conda env create -f environment.yml
Python3.5
火炬：0.3.1
软件包：torch，numpy，tqdm
用法
克隆CHR存储库：
git clone https://github.com/MeioJane/CHR.git
运行培训演示：
cd CHR/
bash CHR/runme.sh
检查站
如果您只想测试图像，则可以在此处下载。
引文
如果您在研究中使用该代码，请引用：
@INPROCEEDINGS { Miao2019SIXray ,
2021-09-10 10:49:34
207KB
1
VLSI小尺寸器件的模型和物理问题；MOS数字VLSI的原理、结构和设计方法；VLSI电路中的时延及各种时钟技术；VLSI的同步时钟和异步时钟系统；逻辑和存储器的VLSI系统设计方法；数据通路与控制器的设计；微处理器电路设计；低压低功耗电路和SoC（系统芯片）的设计方法及VLSI的并行算法和体系结构等。
2021-09-09 15:33:30
13.9MB
1
一种新颖的3D频域SAGE算法及其在毫米波大规模MIMO室内信道中的参数估计中的应用
2021-09-07 17:38:29
768KB
1
快速核磁共振
| |
通过获取更少的测量值来加快磁共振成像（MRI）的潜力，可以降低医疗成本，将对患者的压力降到最低，并使MR成像在目前速度缓慢或昂贵的应用中成为可能。
是Facebook AI Research（FAIR）和NYU Langone Health的一项合作研究项目，旨在研究使用AI来加快MRI扫描的速度。 纽约大学朗格健康中心已经发布了完全匿名的膝盖和大脑MRI数据集，可以从下载。 可以找到与fastMRI项目相关的出版物。
该存储库包含方便的PyTorch数据加载器，子采样功能，评估指标以及简单基准方法的参考实现。 它还包含fastMRI项目的某些出版物中方法的实现
2021-09-06 21:28:15
169KB
1
无规范化网络和SGD的Tensorflow实现-自适应梯度剪切
论文： :
原始代码： :
安装及使用
我建议使用Docker运行代码：
docker build -t nfnets/imagenet:latest --build-arg USER_ID=$(id -u) --build-arg GROUP_ID=$(id -g) .
要在imagenet数据集上训练NFNet，请执行以下操作：
docker run --rm -it --gpus all -v $(pwd):/tf -p 8889:8888 -p 6006:6006 nfnets/imagenet:latest python train.py --variant F0 --batch_size 4096 --num_epochs 360
请参阅train.py模块以获取更多参数。
预先训练的权重已转换为
2021-09-06 03:15:14
143KB
1