LASOR: Learning Accurate 3D Human Pose and Shape Via Synthetic Occlusion-Aware Data and Neural Mesh Rendering

OpenNMT-py：开源神经机器翻译这是OpenNMT（一种开源（MIT）神经机器翻译系统）的Pytorch端口。 它的设计宗旨是便于研究，以便尝试翻译，摘要，OpenNMT-py中的新思想：开源神经机器翻译这是开源（MIT）神经机器翻译系统OpenNMT的PyTorch端口。 它旨在便于研究，以尝试在翻译，摘要，图像到文本，形态学和许多其他领域中的新思想。 一些公司已经证明该代码已可以投入生产。 我们热爱贡献。 请在“问题”页面上查阅“ Contributions Welcome”标记的帖子。 提出问题之前，请确保您已阅读要求a

ASReview：积极学习系统评价 系统评价是研究中的“头等大事”。 在许多学术领域，科学研究的数量呈指数增长。 进行合理的系统检查是一项耗时且有时无聊的任务。 我们的软件旨在加快筛选摘要和标题的步骤，使几乎没有假阴性的人阅读的论文最少。 系统评价的主动学习（ASReview）项目实现了以交互方式查询研究者的机器学习算法。 这种交互式机器学习的方式称为。 ASReview提供对经典学习算法和最新学习算法（例如神经网络）的支持。 ASReview软件实现两种不同的模式： ASReview实验室 :crystal_ball: 这种方式可用于与审阅者互动进行系统的审阅（主动学习文献中的“预言”）。 该软件将论文提交给审稿人，然后审稿人对其进行分类。 请参阅 。 模拟 :chart_increasing: 模拟方式用于根据完全标记的系统评价的结果来衡量主动学习软件的性能。 要使用仿真模式，强烈要求您具备编程和bash /命令提示方面的知识。 安装 ASReview软件需要Python 3.6+。 和用户可以使用安装Python和ASReview的详细分步说明。 该项目在上。 使用安装项

全景OpenCV 从stitch_final.py的文档中 用法：pythonitch_final.py -dest <目标文件名.jpg> 用法： （例子） ： 请将存储库克隆到工作文件夹。 执行以下命令 pythonitch_final.py images / destination.jpg 它将询问是否要修剪或旋转，请按照给定的指示进行操作。 图像将显示并保存到给定的目的地。 [理论等稍后添加]-维护中的回购...！ 上班的人，是吗？ :)

每个像素都很重要：域自适应对象检测器的中心感知特征对齐 该项目托管用于实现“ （ECCV 2020）的代码。 介绍 域自适应对象检测器旨在使其自身适应可能包含对象外观，视点或背景变化的不可见域。大多数现有方法都在图像级别或实例级别采用特征对齐。但是，全局特征上的图像级别对齐可能会同时纠缠前景/背景像素，而使用提案的实例级别对齐可能会遭受背景噪声的困扰。 与现有解决方案不同，我们提出了一种域自适应框架，该框架通过预测逐像素的对象度和中心度来考虑每个像素。具体而言，所提出的方法通过更加关注前景像素来进行中心感知对齐，从而实现跨域更好的适应性。为了更好地跨域对齐要素，我们开发了一种中心感知的对齐方法，该方法可以进行对齐过程。 我们在众多的适应性设置上展示了我们的方法，并获得了广泛的实验结果，并针对现有的最新算法展示了良好的性能。 安装 检查以获取安装说明。 我们的无锚检测器的实现很大程度上基于F

建筑视觉 Isola等人在论文“使用条件对抗网络进行图像到图像转换”（ ）中详细介绍了GAN的实现。 为CMU 10-401机器学习课程最终项目（2017年Spring）创建。 写上去 或阅读以下内容。 使用GAN从草图生成建筑的真实感图像 抽象的 将给定的输入图像转换为另一个转换后的输出图像的想法是一个有趣的概念。 我们在此项目中采用的方法是使用生成对抗网络（GAN）学习可以执行此任务的生成模型。 这种方法的好处在于，可以从数据中学习损失函数，因此可以将同一网络应用于各种不同的图像到图像的转换问题。 我们介绍了我们的网络体系结构以及使用这种方法将猫，鞋子和建筑物的草图转换为逼真的对象的结果。 介绍 我们希望了解如何从图像的简单草图中生成逼真的图像。 为此，我们对“有条件对抗网络的图像到图像转换”（Isola等人，2016）中描述的算法进行了批评和实施。 本文研究了如何将条件对抗网络用于

自监督学习相关论文 Self-supervised Learning for Linking Knowledge Graphs(TKDE21)

graph上的多视图表示对比学习

Contrastive Self-supervised Learning for Graph Classification

自监督学习用于推荐