EAST: An Efficient and Accurate Scene Text Detector 自然场景下的文字识别算法 预训练文件 part2

机器阅读理解（MRC）旨在教机器阅读和理解人类语言，这是自然语言处理（NLP）的长期目标。随着深度神经网络的爆发和上下文语言模型（contextualized language models-CLM）的发展，MRC的研究经历了两个重大突破。作为一种现象，MRC和CLM对NLP社区有很大的影响。

yolov5配置版，阅读修改起来不太方便，特地整理出来代码封装版，阅读，修改网络比较方便，带预训练权重，检测代码：detect_class_s.py，检测芒果的，可以训练别的。

在目前已发表的自然语言处理预训练技术综述中，大多数文章仅介绍神经网络预训练技术或者极简单介绍传统预训练技术，存在人为割裂自然语言预训练发展历程。

预先训练的单词向量。 维基百科2014 + Gigaword 5（6B令牌，400K词汇，无章，50d，100d，200d和300d载体）：glove.6B.zip

很棒的预训练风格 预先训练的模型的集合，模型在不同分辨率的不同数据集上进行了训练。 有关StyleGAN 1的预训练模型，请参阅 如果您拥有已知的或想共享的可公开访问的模型，请参阅部分。提示：提交模型的最简单方法是填写此。 目录 楷模 汽车（config-e） ， 数据集：LSUN汽车 分辨率：512x512配置：e 作者： StyleGAN2实现： ： 许可证：Nvidia源代码许可证-NC 汽车（config-f） ， 数据集：LSUN汽车 分辨率：512x512配置：f 作者： StyleGAN2实现： ： 许可证：Nvidia源代码许可证-NC 猫 ， 数据集：LSUN Cat 分辨率：256x256配置：f 作者： StyleGAN2实现： ： 许可证：Nvidia源代码许可证-NC 教会 ， 数据集：LSUN教堂 分辨率：256x256配置：f 作者： StyleGA

使用Pytorch进行人脸识别 Python 3.7 3.6 3.5 地位 这是pytorch中Inception Resnet（V1）模型的存储库，已在VGGFace2和CASIA-Webface上进行了预训练。 使用从David Sandberg的移植的参数来初始化Pytorch模型权重。 此回购中还包括用于推理之前的人脸检测的MTCNN的有效pytorch实现。 这些模型也经过预训练。 据我们所知，这是最快的MTCNN实现。 目录 视频流中的人脸跟踪 使用新数据微调预训练模型 Facenet-PyTorch中的MTCNN指南 人脸检测套件的性能比较 FastMTCNN算法 与Docker一起运行 在您自己的git项目中使用此仓库 将参数从Tensorflow转换为Pytorch 参考 快速开始 安装： # With pip: pip install facene

ResNet-50 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练，并在 2015 年赢得了 ImageNet 大规模视觉识别挑战 (ILSVRC) 比赛。 该模型在超过一百万张图像上进行了训练，有 177 层总共对应一个50层的残差网络，可以将图像分为1000个对象类别（例如键盘、鼠标、铅笔和许多动物）。 从您的操作系统或 MATLAB 中打开 resnet50.mlpkginstall 文件将启动您拥有的版本的安装过程。 该mlpkginstall文件可用于R2017b及更高版本。 用法示例： % 访问训练好的模型净 = resnet50(); % 查看架构细节网络层% 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:

YOLO-complex预训练模型complex-yolov3，complex-yolov4

SRN-DeblurNet 为了进行培训，我严格遵循原始论文的所有配置。 为了测试PSNR，我将GOPRO datset的测试集分为两半，一个用于验证，另一个用于测试，并获得29.58db PSNR（原始论文报道为30.26db ）。 提供了预训练的模型。 在没有伽玛校正的情况下，可以对GOPRO的模糊图像进行训练。 我试图将这种模型推广到真实世界中的人脸图像中，但是发现它不能很好地推广。 欢迎任何讨论或更正。 参考