Advanced Applied Deep Learning Advanced Applied Deep Learning Advanced Applied Deep Learning Advanced Applied Deep Learning

EdgeConnect：具有对抗性边缘学习的生成图像修复 | 介绍： 我们开发了一种新的图像修补方法，可以更好地再现填充区域，这些填充区域显示出精细的细节，这是受我们对艺术家工作方式的理解所启发：首先是线条，然后是颜色。 我们提出了一个两阶段对抗模型EdgeConnect，该模型由一个边缘生成器和一个图像完成网络组成。 边缘生成器使图像的缺失区域（规则的和不规则的）产生幻觉，并且图像完成网络使用幻觉的边缘作为先验来填充缺失区域。 该系统的详细说明可以在我们的找到。 （a）输入缺少区域的图像。 缺失的区域以白色表示。 （b）计算的边缘遮罩。 黑色绘制的边缘是使用Canny边缘检测器（针

用于KITTI / NuScenes对象检测的第二个用于KITTI / NuScenes对象检测的第二个（1.6.0 Alpha）SECOND检测器。 “ Alpha”表示可能存在许多错误，配置格式可能会更改，spconv API可能会更改。 仅支持python 3.6 +，pytorch 1.0.0+。 在Ubuntu 16.04 / 18.04 / Windows 10中进行了测试。如果要训练nuscenes数据集，请参见此内容。 新闻2019-4-1：SECOND V1.6.0alpha发布：新数据API，NuScenes支持，PointPillars支持，fp16和multi-gpu支持。 2019-3-21：SECOND V1.5.1（较小的改进和错误修复）发布了！ 2019-1-20：

语义分割经典论文翻译1：DFANet:Deep Feature Aggregation for Real-Time Semantic Segmentation(DFANet翻译)-附件资源

Deep KSVD Denoising——融合KSVD传统算法和深度学习的去噪算法实现，使用pytorch（拥有详细的代码注释）

Covid预后 该存储库包含用于复制以下论文的代码： 我们还提供了MoCo预培训过程中的模型，供有兴趣根据自己的数据进行微调的小组使用。 在使用此代码或预先训练的模型之前，请查阅。 安装 首先，按照安装PyTorch。 然后，导航到CovidPrognosis根目录并运行 pip install -e . 之后，您应该可以在cp_examples运行示例。 用法 对于预训练，您需要下载或数据集。 下载数据后，将路径添加到configs/data.yaml ，并且应将其用作默认路径。 cp_examples目录包含三个子目录，分别对应于本文中的培训阶段： moco_pretrain ：动量对比度（MoCo）预训练（例如，使用MIMIC，CheXpert或同时使用两者） sip_finetune ：对单图像预测任务（即，单图像不良事件预测或氧气需求预测）的sip_finetune模型进行微调 mip_finetune ：针对多图像预测任务的mip_finetune模型的微调 我们的代码建立在框架之上。 为公共X射线数据集设置了MoCo预训练和SIP微调的示例脚本-由于考

Pytorch实现 做出重要的事情。 命令 火车模型 在config.yaml中修改一些配置 make train 测试模型 make test-all 评估模型 有关评估指标，请参阅存储库 # iou-based Pascal make ioueval # overlap-based DetEval make deteval 历史记录（在TotalText数据集上） 火车数据 测试数据 测试数据集（TotalText） 热图 多边形 旋转矩形 文本行检测（在CTW1500数据集上训练的模型） 图像原点 检测到文字行 全流水线 在MJSynth和SynthText数据集上训练了识别模型 指标评估（DetEval-P / R / HMean） # for TotalText dataset make deteval 方法 图片大小 初始化 脱粒 脱粒 松开比

用卷积滤波器matlab代码3D点云分析中的深度学习：配准，对象检测和分段。 基于点云的论文调查 登记 判别性优化：点云注册的理论和应用，2017年 使用深度神经网络自动编码器进行本地化的3D点云注册，2017年。 彩色点云注册，2017年。 使用2个点+法线集快速注册点重叠小的点云，2017年。 密度自适应点集注册，2018年。 学习和匹配用于点云注册的多视图描述符，2018年。 3DFeat-Net：对点云注册的本地3D功能进行了弱监督。 点云注册的逆成分判别优化，2018年。 通过翻译搜索匹配旋转不变特征来进行高效的全球点云注册，2018年。 HGMR：适用于自适应3D注册的分层高斯混合，2018年。 使用混合混合物模型进行稳健的广义点云注册，2018年。 灵活的多线索测光点云注册的通用框架，2018年。 PointNetLK：使用PointNet进行点云注册，2019年。 SDRSAC：基于半定点的无对应鲁棒点云注册的随机方法，2019.， FilterReg：使用高斯滤波器和扭曲参数化的鲁棒高效的概率点集配准，2019， PointNetLK：使用PointNet进行的健壮高

功能描述 基于siamese-lstm的中文句子相似度计算 环境搭建 Ubuntu：16.04（64bit） Anaconda：2-4.4.0（python 2.7） 历史版本下载： TensorFlow：1.5.1 numpy：1.14.3 gensim：3.4.0 (nltk：3.2.3) jieba：0.39 word2wec中文训练模型 参考链接： 代码使用 模型训练 # python train.py 模型评估 # python eval.py 论文参考 代码参考 版本：a61f07f6bef76665f8ba2df12f34b25380016613 AETC2018赛题描述 相关链接：

关于ubuntu18.04安装deepin-wine(微信、QQ、迅雷) deepin-wine安装 我实在是实在是受不了Windows10 了，于是转到Ubuntu，上直播课都在这台机子上（本人初一学生一枚）。 但是装完一堆的软件后，发现了微信没有linux版。所以使用vm或wine是仅有的解决方案了。（本人机子差，只能用wine了） deepin-wine在微信和QQ(别提那个QQ for linux 了)上的支持还是很好的（所以你也可以去用deepin）。不用用wine原版（包括crossover和playonlinux）装最新微信,因为有一大堆bugs等着你(本人崩溃了至少5次)。 g