通过生成多列卷积神经网络进行图像修复 ，，，，。 带有矩形遮罩的Places2，CelebA-HQ和Paris街景的结果。 在Places2和CelebA-HQ上随机抽奖的结果。 介绍 该存储库适用于NeurIPS 2018论文`` ''。 如果我们的方法对您的研究有用，请考虑引用： @inproceedings{wang2018image, title={Image Inpainting via Generative Multi-column Convolutional Neural Networks}, author={Wang, Yi and Tao, Xin and Qi,

夏普学习 SharpLearning是C＃.Net的开源机器学习库。 SharpLearning的目标是使.Net开发人员可以轻松访问机器学习算法和模型。 当前，主要关注点是用于分类和回归的监督学习，同时还提供用于优化和验证训练模型的必要工具。 SharpLearning为机器学习算法提供了一个简单的高级界面。 在SharpLearning中，机器学习算法称为“学习者” ，而机器学习模型则称为PredictorModel 。 用法示例如下： // Create a random forest learner for classification with 100 trees var le

人类通过肢体语言，语音，面部表情等各种方式表达情绪。我们已经使用面部表情来检测非常重要的情绪，并且在机器学习中有着广泛的应用，尤其是在医学，通讯，教育和娱乐领域。 老年健康监测，安全系统，心理学和计算机视觉，驾驶员疲劳监测是情感检测在现实世界中的少数应用。 该系统旨在识别七种情绪，即愤怒，悲伤，幸福，惊奇，中立，惊奇和厌恶。 我们的系统提出通过卷积神经网络（CNN）使用面部表情对人类进行情感检测。 进行了文献综述以选择最佳的深度学习模型。 应用的主要算法是CNN。 使用的数据集是Fer2013和JAFFE。

本书特色： 一.所有公式推导都有详细步骤，并解释每个符号。 二.注释每一行代码。 三. 程序皆为完整程序。本书一共82个代码应用案例，所有的代码都是可以从头到尾运行的完整程序，并附带真实运行结果。 四.一图胜千言。本书一共使用了约500张图片，在本书的创作过程中，大约有200个小时是花在画图以及思考如何画图上。 五.逻辑结构清晰，讲解细致。 本书介绍视频： 免费人工智能慕课平台AI MOOC AI MOOC是我自己创办的一个免费的人工智能慕课平台，网站地址为。以后我会在上面不断更新最新的人工智能课程。我的目标是让所有人都能有机会学习到最前沿最好的人工智能课程。 如果大家觉得我创作的内容不错，可以帮我多多宣传，感谢。 书籍和资料百度云下载地址 链接: 密码:xrt7 免费人工智能技术交流QQ群： 人工智能与深度学习：616043628 本书目录 前言 第1章 深度学习背景介绍  1.1

非常清晰非常清晰！！！Michael Nielsen 大神的 《Neural Networks and Deep Learning》 网络教程一直是很多如我一样的小白入门深度学习的很好的一本初级教程。不过其原版为英文，对于初期来说我们应该以了解原理和基本用法为主，所以中文版其实更适合初学者。幸好国内有不少同好辛苦翻译了一个不错的中文版本，并且使用 LaTex 进行排版以方便阅读。

【重磅干货整理】机器学习(Machine Learning)与深度学习(Deep Learning)资料汇总-附件资源

针对ImageNet，CIFAR10和MNIST的PyTorch对抗性攻击基准 ImageNet，CIFAR10和MNIST的PyTorch对抗性攻击基准（最先进的攻击比较） 该存储库提供了用于评估各种对抗攻击的简单PyTorch实现。 该存储库显示每个数据集的最新攻击成功率。 该存储库利用了攻击库，例如 ， 等。 如果您对此存储库有疑问，请给我发送电子邮件（ ）或提出问题。 影像网 该存储库提供了一个包含1,000个类的小型ImageNet验证数据集。 该数据集每个班级有5张图像（总计5,000张图像）。 这是ImageNet验证数据集的子集。

SESF保险丝 SESF-Fuse：用于多焦点图像融合的无监督深度模型 抽象的 在这项工作中，我们提出了一种无监督的深度学习模型来解决多焦点图像融合问题。 首先，我们以无监督的方式训练编码器-解码器体系结构，以获取输入图像的深层特征。 然后，我们利用这些特征和空间频率来测量活动水平，这在多焦点融合任务中起着至关重要的作用。 该方法背后的关键点在于，只有景深（DOF）内的对象在照片中才具有清晰的外观，而其他对象则很可能被模糊。 与以前的工作相比，我们的方法分析的是深层特征的锐利外观，而不是原始图像。 实验结果表明，与现有的16种融合方法相比，该方法在客观和主观评估中均达到了最新的融合性能。 可视化 我们在下图中显示融合结果的可视化。 第一行是近焦点源图像，第二行是远焦点源图像。 第三行是我们方法的决策图，最后一行是融合结果。 分行介绍 我们在该分支机构中提供SESF-Fuse的培训和测试方法

数据融合_HSI_LiDAR 基于深度学习的HSI和LiDAR图像融合 作者 平台 Ubuntu 14.04 CUDA 8.0 GTX 850M 张量流1.4 python2 / python3 使用卷积神经网络的体系结构 输入-[转换-关联-最大池] x 2-[仿射-关联] x 2-仿射-softmax 档案文件 ./HSI/Load_data.py加载HSI源数据并制作Train / Test文件作为补丁 ./HSI/CNN.py定义CNN参数./HSI/CNN_feed.py训练HSI CNN权重./HSI/run_cnn.py使用预先训练的CNN参数进行HSI分类./HSI/Spatial_dataset.py为处理HSI数据。 ./HSI/Get_feature.py保存最后汇聚层平功能./DSM几乎一样./HSI 结果 接触

在本文中，我们将看到如何通过数据扩充来实现相同的结果。