印第安手语识别 您好，该存储库包含用于识别印度手语（ISL）手势的python实现。 由于研究较少，因此网络上没有可用的标准数据集。 因此，我们决定创建自己的手势图像。 ISL数据集包含所有字母（AZ）和数字（1-9），总类别=35。每个类别具有1200张图像。 由于涉及两只手并且由于复杂性，ISL手势实际上很难识别。 为了对图像进行分类，已使用SVM实现了词袋（弓）模型。 70:30的比例已用于训练和测试拆分。 使用这种方法，模型可以提供大约99％的准确度，而错误率却非常低。 手势 数据集中使用的所有手势均在下图所示的带有标签的图像中。 必需的设置 python 2.7（不适用于较高版本，因为openCV不支持SURF功能） opencv-python的== 3.4.2.16 opencv-contrib-python == 3.4.2.16 麻木 盗用者 执行 该实现遵循以下几个

摘要 生物医学数据收集的最新进展允许收集大量数据集，测量数千到数百万个单细胞中的数千个特征。这些数据有可能以以前不可能的分辨率推进我们对生物机制的理解。然而，了解这种规模和类型数据的方法很少。尽管神经网络在监督学习问题上取得了巨大进步，但要使它们对更难表示监督的数据中的发现成为有用，还有很多工作要做。神经网络的灵活性和表现力有时会成为这些监督较少的领域障碍，从生物医学数据中提取知识就是这种情况。在生物数据中更常见的一种先验知识以几何约束的形式出现。 在本文中，我们旨在利用这些几何知识来创建可扩展和可解释的模型来理解这些数据。将几何先验编码到神经网络和图模型中，使我们能够描述模型的解决方案，因为它们与图信号处理和最优传输领域相关。这些链接使我们能够理解和解释这种数据类型。我们将这项工作分为三个部分。第一个借用图信号处理的概念，通过约束和结构化架构来构建更具可解释性和性能的神经网络。第二个借鉴了最优传输理论，有效地进行异常检测和轨迹推断，并有理论保证。第三个研究如何比较基础流形上的分布，这可用于了解不同的扰动或条件之间的关系。为此，我们设计了一种基于联合细胞图上扩散的最佳传输的有效近似

关于Interpretable Deep Learning under Fire这篇论文的演讲PPT和讲稿

阿达·本 与论文工作相关的代码： “ AdaBnn：经过自适应结构学习训练的二值化神经网络” 该存储库当前包含两个协作笔记本： 带有实验性质的基于Keras实施AdaNet算法提出的由该文件实验“ ”在，对于学习神经网络结构为子网的集合。 此外，AdaBnn表示为对AdaNet的修改，它对运行时间施加了二进制约束，以尝试在时间方面提高性能，并且是一种基于“的正则化方式”。 “。 另外，包含的单独代码包含Adanet和AdaBnn实现及其文档。 一些发现 根据笔记本中提供的实验： 在自适应结构学习的情况下，对网络权重进行二值化具有类似的效果，即遗传算法中的突变率很高，在迭代之间很难遵循学习模式，在T迭代中不保持增量性能。 Adam优化在大多数情况下更适合于此类AdaBnn结构，并且迭代次数更少（本文中的T参数）。 目前，对AdaNet进行二值化处理并没有太大的改进，但它可能是为权重/激活添加约束作为自适应结构学习的正则化方法的起点。 进一步的工作 进一步的工作可能包括将二值化过程作为卷积子网的一部分，这是（M Courbariaux，2016）的最初建议。 例 导入依赖关

显着性方法 介绍 该存储库包含以下显着性技术的代码： XRAI *（，） SmoothGrad *（） 香草渐变（ ，） 引导反向传播（） 综合渐变（） 咬合 Grad-CAM（） 模糊IG *由PAIR开发。 此列表绝不是全面的。 我们正在接受请求添加新方法的请求！ 下载 pip install saliency 或开发版本： git clone https://github.com/pair-code/saliency cd saliency 用法 每个显着性掩码类都从SaliencyMask基类扩展。 此类包含以下方法： __init__(graph, sessio

python Deep Learning on身份件识别deepLearning_OCR-master.zip 系统共分为两部分：移动（Android）端和服务器端。移动端共分为两个模块：输入模块和输出模块；服务器端共分为三个模块：模型加载模块、模型处理模块和结果映射模块。

YOLO和RCNN对象检测和多对象跟踪对象检测和跟踪对象检测是一种与计算机视觉和图像处理有关的计算机技术，用于检测特定类别的语义对象（例如人，建筑物或汽车）的实例。数字图像和视频。 我在Ubuntu 16.04 / 18.04上测试过的环境。 该代码可以在其他系统上工作。 [Ubuntu深度学习环境设置] Ubuntu 16.04 / 18.04 ROS Kinetic / Melodic GTX 1080Ti / RTX 2080Ti python 2.7 / 3.6

我们已经将BasicSR合并为MMSR:grinning_face_with_smiling_eyes:MMSR是基于PyTorch的开源图像和视频超分辨率工具箱。 这是香港中文大学多媒体实验室开发的开放式mmlab项目的一部分。 MMSR基于我们的产品我们已经将BasicSR合并到MMSR中:grinning_face_with_smiling_eyes:MMSR是基于PyTorch的开源图像和视频超分辨率工具箱。 这是香港中文大学多媒体实验室开发的开放式mmlab项目的一部分。 MMSR基于我们之前的项目：BasicSR，ESRGAN和EDVR。 SR我们已更新了BasicSR工具箱（v0.1）。 几乎所有文件都有更新，包括：支持PyTorch 1.1和分布式培训简化网络结构更新数据集

这是基于Deepmat（ ）的CDL改编而成的用于链接预测（MAP）的关系深度学习（RDL）。 请转到example / README，以获取有关运行代码的更多说明。 要安装代码，请参阅类似的CDL流程。 参考： @inproceedings{DBLP:conf/aaai/WSY17, author = {Hao Wang and Xingjian Shi and Dit{-}Yan Yeung}, title = {Relational Deep Learning: {A} Deep Latent Variable Model for Link Prediction}, booktitle = {AAAI}, pages = {2688--2694},

深度学习用于元表面优化 使用深度学习以张量流/角点和约5600 Lumerical模拟作为训练数据来优化单元素超表面参数。 在垂直入射光下进行的模拟。 定义超表面的特征是1.长度（L）2.宽度（W）3.高度（H）4.x方向周期性（Ux）5. y方向周期性（Uy）。 输出是周围和整个可见光的相位光谱，增量为5 nm（450 nm-800 nm）。 对于PowerPoint，有动画，所以我建议在幻灯片放映模式下观看。 此仓库中发布的所有内容均已获得许可 我将在介绍这项工作。 背景 超表面用于多种应用以各种方式操纵光。 设计这些纳米结构的当前最先进的方法是相当中世纪的，并且依赖于蛮力策略。 也就是说，给定所需的输出，超颖表面参数的哪些组合可以为我们提供最接近所寻找值的值？ 为了回答这个问题，研究人员依靠仿真软件并执行了数千次参数扫描，希望他们找到最佳的组合。 在时间和计算能力方面，仿真的成本