计算机视觉Github开源论文

知乎转引的此文介绍了来自北京航空航天大学刘祥龙副教授研究团队的最新综述文章 **Binary Neural Networks: A Survey**，合作者包括中国电子科技大学的宋井宽教授和意大利特伦托大学计算机系主任 Nicu Sebe 教授。在阅读基础上，做了.md的笔记。 摘要如下： 神经网络二值化能够**最大程度地降低模型的存储占用和模型的计算量**，将神经网络中**原本 32 位浮点数参数量化至 1 位定点数**，**降低了模型部署的存储资源消耗，同时极大加速了神经网络的推断过程**。但二值化会不可避免地导致**严重的信息损失**，其**量化函数不连续性也给深度网络的优化带来了困难**。 近年来许多算法被提出致力于解决上述问题，并取得了令人满意的进展。在本文中，我们对这些方法进行了全面的总结和概括，主要分为**直接量化的朴素二值化方法**，以及使用**最小化量化误差**、**改善网络损失函数和减小梯度误差**等技术的**改进二值化方法**。 本文还调研了二值神经网络的**其他实用方面**，例如**硬件友好的设计和训练技巧**。然后，我们对**图像分类，目标检测和语义分割**等不同任务进行了**评估和讨论**。最后，本文展望了**未来研究可能面临的挑战**。

人脸识别论文，手动翻译，花费两天时间希望可以帮助到大家 DeepID3: Face Recognition with Very Deep Neural Networks Yi Sun1 Ding Liang2 Xiaogang Wang3,4 Xiaoou Tang1,4

Multi-column Deep Neural Networks for Image Classification

生长神经气体 (GNG) 神经网络属于拓扑表示网络 (TRN) 类。 它可以学习有监督和无监督。 在这里，实现并演示了在线无监督学习模式。 它的学习方法结合了改良的 Kohonen 学习来调整神经元的位置，并结合竞争性赫布学习 (CHL) 来进行连接。 有关详细信息，请参阅参考文献。 [1]。 为了使主脚本 (gng_lax.m) 发挥作用，您必须首先使用相应的数据生成器选择并生成流形（数据）。 欲获得有关竞争性学习方法系列的详尽报告，请咨询参考。 [2]。 参考[1] Fritzke B. “A Growing Neural Gas Network Learns Topologies”，神经信息处理系统进展 7，麻省理工学院出版社，马萨诸塞州剑桥，1995 年。 [2] Fritzke B.“一些竞争性学习方法”，1997 年可在： https ://pdfs.semanticsch

本科生论文：带有数据重载的量子图像分类器设计量子卷积和数据重载分类器方案 一个用于完成我的大学论文的资料库，该资料库是带有数据重新上传的量子图像分类器设计，量子卷积和数据重新上传分类器方案。 顾问： 和 抽象的 随着工业和学术界的问题越来越难解决，对计算能力的需求不断增长。 诸如分子等大型量子系统的仿真或求解大型线性系统之类的应用程序的计算成本可能非常昂贵。 这已经成为量子计算发展的原因之一，量子计算是一种利用量子系统的特性和理论进行信息处理的计算方法。 量子计算机向我们保证，这类问题将以指数级的速度提高。 尽管近年来量子计算机的发展Swift发展，但是理论和技术挑战仍然是大规模量子计算机的障碍。 当今存在的量子计算机具有严格的限制，例如由于过程中的噪声而导致量子位有限和门操作受限。 变分量子算法（VQA）已经成为解决这些局限性的有前途的策略之一。 已经提出了采用该策略的各个领域的应用

深度学习示例 使用 Python 进行深度学习示例。 要求 numpy==1.18.5 scipy==1.5.2 tensorflow==2.2.0 pandas==1.0.5 matplotlib==3.2.2 scikit_learn==0.23.2 谷歌合作实验室 您可以在 Colab 上运行笔记本： 示例列表 数据集 任务 神经网络结构/细胞类型 回归 稠密 分类 稠密 图像分类 卷积 文本分类 循环，双向循环 时间序列预测 格鲁乌 异常检测 香草自动编码器，变体自动编码器 我的另一个存储库中的示例 数据集 笔记本 任务 神经网络结构 - 图像分类 - 医学诊断 卷积神经网络 资源 https://keras.io/examples/

心电图分类 该代码包含一种基于多个支持向量机（SVM）的自动分类心电图（ECG）方法的实现。 该方法依赖于随后的搏动及其形态之间的时间间隔来进行ECG表征。 使用基于小波，局部二进制模式（LBP），高阶统计量（HOS）和几个幅度值的不同描述符。 有关详细说明，请参见以下文章： : 如果您在出版物中使用此代码，请引用为： @article{MONDEJARGUERRA201941, author = {Mond{\'{e}}jar-Guerra, V and Novo, J and Rouco, J and Penedo, M G and Ortega, M}, doi = {https://doi.org/10.1016/j.bspc.2018.08.007}, issn = {1746-8094}, journal = {Biomedical Signal Processing and Control}, pages = {41--48}, title = {{Heartbeat classification fusing temporal and morphologica

适用于Windows和Linux的Yolo v4，v3和v2 （用于物体检测的神经网络） YOLO v4纸： : Paper Scaled ： ： 用于重现结果： 有关媒体的文章中的更多详细信息： 手册： ： 讨论： 关于Darknet框架： : AP50：95-FPS（Tesla V100）论文： ： AP50：95 / AP50-FPS（Tesla V100）论文： ： tkDNN-TensorRT将批处理= 1的YOLOv4加速约2倍，将批处理= 4的YOLOv4加速3倍-4倍。 tkDNN： ： OpenCV： : GeForce RTX 2080 Ti： 网络规模 暗网，FPS（平均） tkDNN TensorRT FP32，FPS tkDNN TensorRT FP16，FPS OpenCV FP16，FPS tkD

Neural Network and Deep Learning（中文版） （美）Michael Nielsen著