Kaggle Carvana图像遮罩挑战 中第一的解决方案的代码。 我们使用了CNN在图像中对汽车进行了细分。 为了获得最佳结果，我们使用多个不同的网络网络（Linknet，具有自定义编码器的类似Unet的CNN，具有VGG11编码器的多种类型的类似于Unet的CNN）。 我们的队伍： Artsiom Sanakoyeu（ ） 亚历山大·布斯拉耶夫（ ） 弗拉基米尔·伊格洛维科夫（ ） 博客文章解释了解决方案： ://medium.com/kaggle-blog/carvana-image-masking-challenge-1st-place-winners-interview-78fcc5c887a8 要求 要训​​练最终模型，您将需要满足以下条件： 操作系统：Ubuntu 16.04 所需的硬件： 任何具有x86-64 CPU的体面的现代计算机， 32

颤振工作经理 Flutter WorkManager是和的包装，可有效地在后台无头执行Dart代码。 这对于运行定期任务（例如定期获取远程数据）特别有用。 此插件已在“ 平台设定 为了正确安排后台工作，您应该先遵循Android和iOS设置。 如何使用包装？ 有关完整的工作示例，请参见示例文件夹。 在注册任何任务之前，必须初始化WorkManager插件。 void callbackDispatcher () { Workmanager . executeTask ((task, inputData) { print ( "Native called background task: $ backgroundTask " ); //simpleTask will be emitted here. return Future . value ( true );

聚苯乙烯 我们的CVPR 2020口头文章“ ”的代码。 ，，陈高，曹洁，何然，，。 该代码已由进一步修改。 除了原始算法外，我们还使用Laplace变换添加了高分辨率面部支持。 检查清单 更多结果 视频演示 部分化妆转移示例 插补妆容转移示例 在GPU上推断 训练守则 要求 该代码已在Ubuntu 16.04，Python 3.6和PyTorch 1.5上进行了测试。 对于人脸解析和界标检测，我们使用dlib进行快速实现。 如果您使用gpu进行推理，请确保对dlib具有gpu支持。 我们新收集的Makeup-Wild数据集 在下载Make-Wild（MT-Wild）数据集 测试 运行python3 demo.py或python3 demo.py --device cuda进行gpu推断。 火车 从或下载培训数据，然后将其移动到名为“ data”的子目录中。 （对于百度云用户，您可以在下

存储库。 注意：如果您有兴趣使用它，请随时 :star: 回购，所以我们知道！ 当前功能 配置文件 训练图 明智的输入 自述文件的更新 推理文件 定量结果 结果可视化 训练文件 目录结构 重量随模型节省 传奇 解决 工作进行中 数据集 通过仔细注释几名患有不同器官肿瘤并在多家医院被诊断出的患者的组织图像，获得了针对这一挑战的数据集。 通过从TCGA存档下载以40倍放大倍率捕获的H＆E染色的组织图像来创建此数据集。 H＆E染色是提高组织切片对比度的常规方法，通常用于肿瘤评估（分级，分期等）。 考虑到跨多个器官和患者的核外观的多样性，以及在多家医院采用的染色方案的丰富性，训练数据集将使开发健壮且可通用的核分割技术成为可能。 训练数据 包含30张图像和约22,000个核边界注释的训练数据已作为2017年IEEE Transactions on Medical Imaging上的

风险价值 一些与VaR方法有关的代码。 欢迎批评是否有更好的方法。 VaR计算方法 VaR_RollingWIndows.py包括正态分布方法，指数加权移动平均方法和历史模拟方法，用于通过扩展窗口来计算风险值。 该功能可以直接导入和使用。 NormalVaR（Returns，Confidence_Level，First_Windows） EWMAVaR（Returns，Confidence_Level，First_Windows，Decay_Factors） HSVaR（Returns，Confidence_Level，First_Windows） 风险价值（VaR）回测 VaRBacktest.py 回测方法包括无条件覆盖，有条件覆盖，损失函数和分位数损失函数。 Kupiec的无条件承保，失败比例（POF） UCoverage（收益率，VaR，预期的显着性水平P）FailRate（

#SPlayer 一个简单的安卓音乐播放器演示代码。 此代码向您展示如何使用ContentResolver获取音乐列表并使用MediaPlayer播放歌曲。 #特征 获取音乐列表 播放和暂停 播放下一个或上一个 ＃截屏

Alexa示例应用程序 定制Amazon Alexa技能的最小设置。 阅读有关部署更多信息。

人脸识别与检测 人脸识别与检测。含数据集和源代码。 这里一共包含6个.py文件。 get_my_faces.py调用摄像头获取用户的人脸图片，作为数据存储到my_faces文件夹中去。最终就是要从众多人脸图片中，识别出用户。 set_other_faces.py从人脸数据集中获取图片，进行进行预处理，之后存入other_faces文件夹中去。 Functions.py存储的是处理图片数据时用到的函数，包括getPaddingSize（）和readData（）。 预先图片的时候，需要放置周围进行填充，调用函数getPaddingSize（）可以得到，对于一张图片，上下左右分别需要补充多少行或多少列。 函数readData（）从文件夹my_faces和other_faces中读取数据图片，并进行填充，然后添加到imgs列表中去；并根据图片所在的文件夹给图片添加标签，添加到实验室列表中去。

tiny-os：《操作系统真象还原》一书实现的系统代码

IBM数据科学 为Coursera的IBM数据科学专业证书编写的代码和报告