针对自然场景图像中多尺度Logo的检测需求，提出了一种基于卷积神经网络的多尺度Logo检测算法。该算法基于两阶段目标检测的实现思路，通过构建特征金字塔并采取逐层预测的方式实现多尺度候选区域的生成，通过融合卷积神经网络中的多层特征图以增强特征的表达能力。在FlickrLogos-32数据集上的实验结果显示，相比基线方法，所提算法能够提升生成候选区域的召回率，并且在保证大中尺度 Logo 检测精度的前提下，提升小尺度Logo的检测性能，验证了所提算法的优越性。

Mentor 生成网络表导入Allegro Dxdesigner2005 采用网络表流程 网络表转为Netin 格式 Allegro PCB Design GXL导入网络表

自动绘制生成网络拓扑图软件

dcgan动漫人像生成（数据集，测试结果，代码以及个人记录）

NLP项目 自然语言处理项目，其中包括有关以下方面的概念和脚本： gensim ， fastText和tensorflow实现。 参见， doc2vec ， word2vec averaging和Smooth Inverse Frequency实现 对话系统的类别和组成 tensorflow LSTM （请参阅 ，和 ， ） fastText实现 ELMo，ULMFit，GPT，BERT，XLNet的原理 HMM Viterbi实现。 参见，中文解读 Named_Entity_Recognition 通过双向LSTM + CRF，张量tensorflow实现对NER品牌。 参见中文注释，中文解读 7_Information_retrieval 8_Information_extraction 9_Knowledge_graph 10_Text_generation 11

zn 指针生成网络，中文数据集下生成摘要, 详情 改动的地方 原论文的指针生成网络，对于正文和摘要的特征抽取是采用单层(双向）的LSTM进行抽取的，我将其变为Bert的embedding的结构。模型的整体框架没有变动，但是工程上的处理进行了微调。（并非使用了Bert） 中文数据： 250万篇新闻( 原始数据9G，压缩文件3.6G；新闻内容跨度：2014-2016年) 或，密码:k265 tokenizer 新闻数据集的分词代码 new-point-generate-zh 指针生成网络在新闻数据集下的应用 运行 先是tokenizer python main.py --original_data_dir E:\0000_python\point-genge\point-generate\zh\data --tokenized_dir ./tokenized_single E:\0000_py

对抗生成网络学习（十二）——MARTA-GAN实现遥感图像的场景生成(tensorflow实现)-附件资源

PointCloudDoc My own research notes. ( e.g. Point Cloud、Deep Learning、Generative Network、Pytorch、Cuda) PointCloud Paper 题目 描述 CVPR2021 Com CVPR2021 Gen CVPR2020 B CVPR2020 Com CVPR2019 UP CVPR2018 B UP CVPR2018 Gen CVPR2017 B ICCV2019 UP GAN ECCV2020 UP CG ECCV2018 Gen AAAI2020 Com ICLR-W2018 AE TOG2019 B、GNN PointCNN NIPS2018 B PointNet++ NIPS2017 B PCUandNE VISIGRAPP2021 UP Normal Meta-PU arXi

该存储库已过时，因为很遗憾，我没有时间去维护它。 如果您想作为合作者继续开发它，请给我发送电子邮件至 。 PyTorch-GAN 研究论文中介绍了生成对抗网络的PyTorch实施的集合。 模型体系结构不会总是反映论文中提出的那些，但是我选择专注于覆盖核心思想，而不是正确地配置每个层。 我们非常欢迎GAN做出的贡献和建议。 另请参阅： 目录 安装 $ git clone https://github.com/eriklindernoren/PyTorch-GAN $ cd PyTorch-GAN/ $ sudo pip3 install -r requirements.txt 实作 辅助分类器GAN 辅助分类器生成对抗网络 作者 奥古斯都·奥德纳（Augustus Odena），克里斯托弗·奥拉（Christopher Olah），乔纳森·希伦斯（Jonathon Shlens） 抽

生成对抗网络入门指南pdf及部分例程