解开变分自编码器 PyTorch 实现的论文 团队成员： 安德烈亚斯·斯帕诺普洛斯 ( ) Demetrios Konstantinidis ( ) 存储库结构 目录包含我们迄今为止创建的模型。 一路上还会有更多。 python脚本是主要的可执行文件。 目录包含可用于训练和测试的 colab notebook。 在目录中有一个 ，其中详细解释了变分自动编码器的基本数学概念。 在目录中有一些配置文件可用于创建模型。 在目录中有我们通过使用各种配置运行模型得到的结果。 楷模 目前支持两种模型，一个简单的变分自动编码器和一个解开版本 (beta-VAE)。 模型实现可以在目录中找到。 这些模型是使用PyTorch Lightning开发的。 变分自编码器 变分自编码器是一个生成模型。 它的目标是学习数据集的分布，然后从相同的分布中生成新的（看不见的）数据点。 在下图中，我们可

研究@ Magic Leap（CVPR 2020，口腔） SuperGlue推理和评估演示脚本 介绍 SuperGlue是在Magic Leap完成的2020 CVPR研究项目。 SuperGlue网络是一个图形神经网络，结合了最佳匹配层，该层经过训练可以对两组稀疏图像特征进行匹配。 此存储库包含PyTorch代码和预训练权重，用于在关键点和描述符之上运行SuperGlue匹配网络。 给定一对图像，您可以使用此存储库在整个图像对中提取匹配特征。 SuperGlue充当“中端”，在单个端到端体系结构中执行上下文聚合，匹配和过滤。 有关更多详细信息，请参见： 全文：PDF： 。 作者： Pa

服务器上的YOLO 此存储库包含在服务器即服务上运行检测算法的代码，并且具有我的方法的实时实现。 自由使用它:) 强烈建议启动并运行Tensorflow-gpu。 在目录内移动之后。 运行项目： 安装虚拟环境 pip install virtualenv 启动虚拟环境 virtualenv venv 激活virtualenv . venv/bin/activate 安装要求 pip install -r requirements.txt 下载并转换yolov3和yolov3-tiny的权重 wget https://pjreddie.com/media/files/yolov3.weights ./yad2k.py yolov3.cfg yolov3.weights yolo.h5 wget https://pjreddie.com/media/files/yol

通过卷积神经网络学习人机交互 在我在东京大学的研究实习期间保存所做工作的资料库。 日本农业技术研究院。 这项研究是关于使用卷积神经网络（CNN）通过从力传感器中学习数据模式来对人类的几种触摸交互类型进行分类（p，划痕，轻击，硬压和中性）。 该传感器将人的触觉转换为3维力数据。 数据 每0.02秒（50 fps）使用pySerial获取数据。 十个人每次对传感器进行30次触摸交互并记录数据。 从数据统计数据中推断出一个合适的阈值，以区分噪声中的正信号和一个正事件（样本）的合适数量的帧。 通过将每个数据样本内插到40帧并对它们进行归一化以减少零偏噪声的影响，对数据进行预处理。 由于该数据集属于实验室中的个人，因此此处未共享。 即将完成涵盖受试者身份以保护其隐私的过程，然后将发布数据集。 该模型 使用Python中的Keras框架使用数据训练了CNN模型。 Adam优化器用于lr = 1

沃伦-股票价格预测器 股市预测是试图确定公司股票或在交易所交易的其他金融工具的未来价值的行为。 成功预测股票的未来价格可能会产生可观的利润。 有效市场假说表明，股票价格反映了所有当前可用的信息，因此，任何不基于新发现信息的价格变化本质上都是不可预测的。 其他人则不同意，并且拥有这种观点的人拥有无数的方法和技术，据称它们可以获取未来的价格信息。 在这里，我们利用Facebook的时间序列预测算法Prophet，使用多变量，单步预测策略，实时预测美国公司的股票市场价格。 入门 从github下载或克隆项目 $ git clone https://github.com/nityansuman/wa

道路分割 合作者： 目录 ： 介绍 该项目是 “模式分类和机器学习”课程的一部分。 更具体地说，这是我们针对道路分割的第二个项目的解决方案。 该文件概述了我们的代码及其功能。 有关该项目本身的所有其他说明，可以在其官方文件（ paper.pdf文件）中找到。 该项目的目标是通过确定哪些16x16像素斑块是道路还是不是道路来分割地球的卫星图像。 简而言之，该代码运行第一个卷积神经网络以获得基本预测。 此后，它运行第二个，即后处理一个，它使用先前计算的预测来给出最终预测。 结果 我们取得了约0.91的F1分数，下面您将看到一个图像，说明所获得的定性结果。 在图像上，每个检测到的道路补丁都以

神经关系推理（NRI） 用于交互系统的图神经网络 给定节点的时间序列数据，NRI模型会将未来的节点状态和节点之间的基础抵销关系预测为边缘。 这是Chainer中神经关系推理（NRI）的再现作品。 作者的原始实现可在此处找到： 。 请参阅本文的详细信息： 交互系统的神经关系推断。 Thomas Kipf *，Ethan Fetaya *，Kuan-Chieh Wang，Max Welling，Richard Zemel。 ：平等贡献） 数据集 粒子物理模拟数据集 cd data python generate_dataset.py 训练 粒子物理模拟数据集 python train.py --gpu 0 可视化结果 python utils/visualize_results.py \ --args-file results/2019-01-22_10-20-25_0/args.

Recent developments in laser scanning technologies have provided innovative solutions for acquiring three-dimensional (3D) point clouds about road corridors and its environments. Unlike traditional field surveying, satellite imagery, and aerial photography, laser scanning systems offer unique solutions for collecting dense point clouds with millimeter accuracy and in a reasonable time. The data acquired by laser scanning systems empower modeling road geometry and delineating road design parameters such as slope, superelevation, and vertical and horizontal alignments. These geometric parameters have several geospatial applications such as road safety management. The purpose of this book is to promote the core understanding of suitable geospatial tools and techniques for modeling of road traffic accidents by the state-of-the-art artificial intelligence (AI) approaches such as neural networks (NNs) and deep learning (DL) using traffic information and road geometry delineated from laser scanning data. Data collection and management in databases play a major role in modeling and developing predictive tools. Therefore, the first two chapters of this book introduce laser scanning technology with creative explanation and graphical illustrations and review the recent methods of extracting geometric road parameters. The third and fourth chapters present an optimization of support vector machine and ensemble tree methods as well as novel hierarchical object-based methods for extracting road geometry from laser scanning point clouds. Information about historical traffic accidents and their circumstances, traffic (volume, type of vehicles), road features (grade, superelevation, curve radius, lane width, speed limit, etc.) pertains to what is observed to exist on road segments or road intersections. Soft computing models such as neural networks are advanced modeling methods that can be related to traffic and road features to the historical accidents and generates regression equations that can be used in various phases of road safety management cycle. The regression equations produced by NN can identify unsafe road segments, estimate how much safety has changed following a change in design, and quantify the effects of road geometric features and traffic information on road safety. This book aims to help graduate students, professionals, decision makers, and road planners in developing better traffic accident prediction models using advanced neural networks.

pytorch图注意网络 这是Veličković等人提出的图注意力网络（GAT）模型的火炬实施。 （2017， ）。 回购协议最初是从分叉的。 有关GAT（Tensorflow）的官方存储库，请访问 。 因此，如果您在研究中利用pyGAT模型，请引用以下内容： @article{ velickovic2018graph, title="{Graph Attention Networks}", author={Veli{\v{c}}kovi{\'{c}}, Petar and Cucurull, Guillem and Casanova, Arantxa and Romero, Adriana and Li{\`{o}}, Pietro and Bengio, Yoshua}, journal={International Conference on Learning

用于学习分子图的分层消息间传递 这是用于学习分子图的分层消息间传递的 PyTorch 实现，如我们的论文中所述： Matthias Fey、Jan-Gin Yuen、Frank Weichert：(GRL+ 2020) 要求 (>=1.4.0) (>=1.5.0) (>=1.1.0) 实验 可以通过以下方式运行实验： $ python train_zinc_subset.py $ python train_zinc_full.py $ python train_hiv.py $ python train_muv.py $ python train_tox21.py $ python train_ogbhiv.py $ python train_ogbpcba.py 引用 如果您在自己的工作中使用此代码，请引用： @inproceedings{Fey/etal/2020,