更多项目《面部表情识别》系列文章请参考: 1.面部表情识别1:表情识别数据集(含下载链接):https://blog.csdn.net/guyuealian/article/details/129428657 2.面部表情识别2:Pytorch实现表情识别(含表情识别数据集和训练代码):https://blog.csdn.net/guyuealian/article/details/129505205 3.面部表情识别3:Android实现表情识别(含源码,可实时检测):https://blog.csdn.net/guyuealian/article/details/129467015 4.面部表情识别4:C++实现表情识别(含源码,可实时检测):https://blog.csdn.net/guyuealian/article/details/129467023
2024-02-29 09:38:35 761B 表情识别 pytorch 情绪识别 面部表情
1
matlab交叉验证代码PyTorch DGCNN 关于 DGCNN(深图卷积神经网络)的PyTorch实现。 检查更多信息。 要求:python 2.7或python 3.6; 火炬> = 0.4.0 安装 此实现基于戴汉俊的structure2vec图后端。 在“ lib /”目录下,键入 make -j4 编译必要的c ++文件。 之后,在此存储库的根目录下,键入 ./run_DGCNN.sh 使用默认设置在数据集MUTAG上运行DGCNN。 或输入 ./run_DGCNN.sh DATANAME FOLD 在数据集= DATANAME上运行,使用倍数= FOLD(1-10,对应于在交叉验证实验中用作测试数据的倍数)。 如果将FOLD设置为0,例如键入“ ./run_DGCNN.sh DD 0”,则它将在DD上运行10倍交叉验证,并报告平均准确度。 或者,键入 ./run_DGCNN.sh DATANAME 1 200 将数据集中的最后200张图用作测试图。 折数1将被忽略。 检查“ run_DGCNN.sh”以获取更多选项。 数据集 默认图形数据集存储在“ data / DSN
2024-01-26 18:33:28 35.06MB 系统开源
1
pytorch实现ssd并在自己的数据集上进行行人检测
2024-01-24 14:36:14 107KB pytorch ssd
1
基于Pytorch实现GRU模型
2024-01-18 16:17:36 321KB pytorch 深度学习
1
演讲 语音是一个开放源代码包,用于构建用于自动语音识别的端到端模型。 当前支持关注的序列到序列模型,连接器时间分类和RNN序列转换器。 该软件的目的是促进语音识别的端到端模型的研究。 这些模型在PyTorch中实现。 该软件仅在Python3.6中经过测试。 我们不会为Python2.7提供向后兼容性。 安装 我们建议创建一个虚拟环境并在其中安装python要求。 virtualenv source /bin/activate pip install -r requirements.txt 然后按照适用于您的计算机的版本的安装说明进行操作。 安装所有python需求后,从顶层目录运行: make 构建过程需要CMake以及Make。 之后,从仓库根目录获取setup.sh 。 source setup
2024-01-15 10:50:42 112KB Python
1
Pytorch实现基于LSTM的情感分析的代码和数据集
2024-01-12 14:03:45 1.23MB pytorch
1
今天小编就为大家分享一篇Pytorch实现GoogLeNet的方法,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
2023-12-27 08:54:46 170KB Pytorch GoogLeNet
1
1. 是DehazeNet的一个实现,利用透射图来得到去雾图像; 2.pytorch版本,已经针对户外和室内训练好,同时OTS和ITS的测试数据集在里边; 3. 对于不同的测试场景,需要修改预训练权重对应户外和室内; 4. 会在结果中同时保存透射图估计和最终的去雾图像; 5. 代码附有全部细节的注释,非常详细便于学习。
2023-12-13 22:03:22 789.82MB 图像去雾 pytorch
pytorch-projection_sngan 使用光谱归一化和投影判别器的条件图像生成的Pytorch实现。 频谱归一化: : 投影判别器: : id 核心代码严格从迁移 该代码正在工作。 当前没有时间改进培训代码并进行更多的实验。 我会尽快做到的。
2023-12-01 16:22:07 5.22MB Python
1
深度SVDD的PyTorch实现 该存储库提供了我们的ICML 2018论文“深度一类分类”中介绍的Deep SVDD方法的实现。 引用与联系 您可以在找到《深层一类分类ICML 2018》论文的PDF。 如果您使用我们的作品,也请引用以下文章: @InProceedings{pmlr-v80-ruff18a, title = {Deep One-Class Classification}, author = {Ruff, Lukas and Vandermeulen, Robert A. and G{\"o}rnitz, Nico and Deecke, Lucas and Siddiqui, Shoaib A. and Binder, Alexander and M{\"u}ller, Emmanuel and Kloft, Marius}, bookti
2023-11-24 15:54:02 2.12MB python machine-learning deep-learning pytorch
1