MotioNet 该库提供的源代码[[Transaction on Graphics（ToG）2020]，这是一种运动学的深度神经网络，可以从单眼视频中重建3D骨骼人体运动。 基于通用运动表示设计的网络及其直接输出可以转换为bvh文件，而无需任何后处理步骤。 MotioNet：具有骨架一致性的单眼视频的3D人体运动重构：| | 先决条件 Linux 的Python 3 NVIDIA GPU + CUDA CuDNN 2D姿势检测工具（用于评估野生视频，现在支持： ） 根据您的Cuda版本，选择合适的版本并安装它，然后运行以下命令来安装其他软件包： pip install -r requirements.txt 快速开始 我们提供了一个预训练的模型和一些演示示例，这些示例演示了我们的框架是如何工作的。 为了运行演示，请从 下载1.预训练的模型并将其放置在./checkpoin

牙齿检测仪 数据集目前是私有的，但是是由一位外科医生使用VoTT进行标记制作的。 导出是使用Tensorflow Pascal VOC格式进行的 该项目分为两个任务： 检测牙齿修复，牙髓治疗和植入物（模型/治疗） 检测牙齿并确定其ISO牙科标记（型号/索引） 安装 从Google云端硬盘下载数据集（目前数据集是私有的） 安装tensorflow对象检测： : 安装Cloud SDK以在Google Cloud 上运行 pip install -r requirements.txt # Tensorflow Object Detection API git clone git@github.com:tensorflow/models.git git clone https://github.com/cocodataset/cocoapi.git cd cocoapi/Python

随着深度神经网络（DNN）在现实世界的应用中变得越来越普遍，有可能故意用不会欺骗人类的数据“愚弄”它们，这提供了一种新的攻击向量。这本实用的书籍探讨了现实世界的场景，其中DNN（大部分AI固有的算法）每天用于处理图像，音频和视频数据。 作者Katy Warr考虑了攻击动机，这种对抗性输入带来的风险，以及增强AI对这些攻击的稳健性的方法。如果您是开发DNN算法的数据科学家，一位对如何使AI系统更具弹性的攻击感兴趣的安全架构师，或者对人工和生物感知之间的差异着迷的人，本书适合您。 •深入研究DNN并发现它们如何被对抗性输入欺骗 •调查用于生成能够欺骗DNN的对抗性输入的方法 •探索真实场景并模拟对抗性威胁 •评估神经网络的稳健性;学习提高AI系统对抗对抗性数据的弹性的方法 •检查AI在未来几年内如何更好地模仿人类感知

GraphRec_PyTorch GraphRec模型的PyTorch实现（Fan，Wenqi等人，“用于社交推荐的图神经网络。”万维网会议，ACM，2019年）。 用法 从requirements.txt文件安装所需的软件包。 pip install -r requirements.txt 预处理数据集。 应在数据集的相应文件夹中生成两个名为数据集和列表的pkl文件。 python preprocess.py --dataset Ciao python preprocess.py --dataset Epinions 运行main.py文件来训练模型。 您可以通过命令行配置一些训练参数。 python main.py 运行main.py文件以测试模型。 python main.py --test

遗传算法优化RBF神经网络 完整无缺，好好学习

Snap＆Eat（原深139） 深度学习Hackathon 48h-Cotidiano（第一个项目= D ） 我们认为营养跟踪应该像拍照一样简单。 Snap＆Eat是一个Web应用程序，可通过图片跟踪用户的食物摄入量。 我们使用最先进的深度学习技术来识别菜肴，并根据用户的餐食进行即时营养估算。 该应用程序还根据用户的收入来建议用餐，并能够显示附近提供这些菜肴的地方。 该系统是使用在Pytorch中实现的，它依赖Jupyter Notebook进行原型制作。 对于Web应用程序，我们使用Flask和Node.js。 演示版 我们的模型 我们使用-ResNeXt-101，具有101层，在

使用生成式对抗学习的3D医学图像分割很少 该存储库包含我们在同名论文中提出的模型的tensorflow和pytorch实现： 该代码在tensorflow和pytorch中都可用。 要运行该项目，请参考各个自述文件。 数据集 选择了数据集来证实我们提出的方法。 它包含10个标记的训练对象和13个未标记的测试对象的3D多模式脑MRI数据。 我们将这10个标记的训练数据分为两个模型的训练，验证和测试图像。（例如，2,1和7）13个未标记的测试图像中的其余部分仅用于训练基于GAN的模型。 数据集也用于测试我们提出的模型的鲁棒性。 它包含3种模式（T1加权，T1加权反转恢复和FLAIR）。 原始数据

如果手动执行图像分类，则是一个复杂且耗时的过程，随着不同图像分类方法的实施，该过程可以自动化以获得高度准确的结果。 这篇综述文章提供了对各种图像分类方法的理解，重点是分类方法的概述和用于提高分类精度的技术。 此外，比较了各种分类方法，性能，优点和局限性。 这篇文献综述描述了不同类型的有监督，无监督和半监督分类方法，例如卷积神经网络，转移学习，支持向量机，k最近邻和随机森林算法。

尖峰神经网络转换工具箱 SNN转换工具箱（SNN-TB）是一个框架，可将基于速率的人工神经网络转换为尖峰神经网络，并使用各种峰值编码来运行它们。 SNN-TB的一个独特功能是，它接受来自许多不同的深度学习库（Keras / TF，pytorch等）的输入模型，并为多个后端提供接口以进行仿真（pyNN，brian2等）或部署（SpiNNaker，Loihi）。 请参考以获取完整的用户指南和API参考。 另请参阅随附的文章和 。

深度学习时间序列预测 最新的论文清单集中在深度学习以及使用深度学习进行时间序列预测的资源，代码和实验。 经典方法与深度学习方法，竞赛... 文件 2020年 Prathamesh Deshpande等。 代码还没有。 Shruti Jadon等。 代码还没有。 HD阮等人。 代码还没有。 JánDrgona等。 代码还没有。 安格斯·登普斯特（Angus Dempster）等。 [] 袁雪，等。 代码还没有。 Castellani Andrea等。 Honda Research Institute Europe GmbH 代码还没有。 很好的参考 金晓勇，等。 代码还没有