时空分割 该存储库包含的随附代码 。 变更记录 2020-05-19自提交以来，最新的Minkowski引擎不需要明确的缓存清除，并且可以更有效地使用内存。 2020-05-04：正如Thomas Chaton在上指出的那样，我还发现训练脚本包含一些错误，这些错误使模型无法达到使用最新MinkowskiEngine的Model Zoo中描述的目标性能。 我正在调试错误，但是发现错误有些困难。 因此，我从另一个私有创建了另一个git repo ，该达到了目标性能。 请参阅以获得ScanNet培训。 一旦发现错误，我将更新此存储库，并将SpatioTemporalSegmentation-ScanNet与该存储库合并。 抱歉，添麻烦了。 要求 Ubuntu 14.04或更高版本 CUDA 10.1或更高版本 pytorch 1.3或更高版本 python 3.6或更高版本 GCC 6或更高 安装 您需要通过pip或anaconda安装pytorch和 。 点子 MinkowskiEngine通过分发，可以通过pip进行简单安装。 首先，按照安装pytorch。 接下来，安装openbl

INT（带内网络遥测） 1.将此INT目录放置在p4tools / tutorials / P4D2_2017_Fall / exercises中 2.将p4tools / tutorials / P4D2_2017_Fall / utils中的“ run_exercise.py”替换为该INT目录中的“ run_exercise.py” 3.在shell运行“ make run”

语音性别 语音和语音分析中的性别识别 阅读完整的。 该项目训练一种计算机程序，根据语音和语音的声学特性，将语音识别为男性还是女性。 该模型在包含3168个记录的语音样本的数据集中进行了训练，这些样本是从男性和女性说话者那里收集的。 语音样本在R中通过声学分析进行预处理，然后通过人工智能/机器学习算法进行处理，以学习特定于性别的特征，从而将语音分为男性或女性。 最好的模型在训练集上达到100％的精度，在测试集上达到89％的精度。 更新：通过将分析的频率范围缩小到0hz-280hz（），可以将最佳精度提高到100％/ 99％。 数据集 将预处理的下载为CSV文件。 CSV文件包含以下字段： “ meanfreq”，“ sd”，“ median”，“ Q25”，“ Q75”，“ IQR”，“ skew”，“ kurt”，“ sp.ent”，“ sfm”，“ mode”，“ centro

Monodepth2 这是参考PyTorch实施，使用以下方法描述的方法来训练和测试深度估计模型 挖掘自我监督的单眼深度预测 ， ，和 此代码仅供非商业使用； 请参阅中的条款。 如果您发现我们的工作对您的研究有用，请考虑引用我们的论文： @article{monodepth2, title = {Digging into Self-Supervised Monocular Depth Prediction}, author = {Cl{\'{e}}ment Godard and Oisin {Mac Aodha} and

[PYTORCH]玩Flappy Bird的深度Q学习 介绍 这是我的python源代码，用于训练代理玩飞扬的小鸟。 可以将其视为强化学习应用程序的一个非常基本的示例。 结果 如何使用我的代码 使用我的代码，您可以： 通过运行python train.py从头开始训练模型 通过运行python test.py测试您训练有素的模型 训练有素的模特 您可以在trained_models / flappy_bird中找到我训练有素的模型 要求 python 3.6 pygame cv2 火炬 麻木

使用2-D卷积神经网络对ECG心律失常进行分类。 使用2-D卷积神经网络对ECG心律失常进行分类。 这是本文的一种实现： : 该模型在MIT-BIH心律失常数据集上进行了训练。 在NVIDIA Tesla GPU上训练模型花费了60个小时。 这是模型权重的链接： : 该模型可以检测出6种类型的心律失常，即： 房性早搏（APC） 左束支传导阻滞（LBB） 节奏拍（PAB） 室性早搏（PVC） 右束支传导阻滞（RBB） 心室逃逸跳动（VEB） 该模型还可以预测ECG是否正常。 因此，模型可以预测7个类别。 使用模型 您可以从上面提到的链接下载模型。 运行main.py并提供所需的目录。 您可以输入一个CSV心电图文件或分段心电图节拍图像作为输入。 通常，您会得到一个带心电信号的csv文件。

pix2pix：使用生成对抗网络进行图像到图像的翻译

Keras梯形网络的半监督学习 这是Keras中Ladder Network的实现。 阶梯网络是半监督学习的模型。 请参阅A Rasmus，H Valpola，M Honkala，M Berglund和T Raiko题为“进行”的论文。 此实现已在我们的论文《的正式代码中。 该代码可以发现和博客文章，可以发现 仅使用100个带标签的示例，该模型即可在MNIST上实现98％的测试准确性。 该代码仅适用于Tensorflow后端。 要求 Python 2.7 + / 3.6 + Tensorflow（1.4.0） 麻木 keras（2.1.4） 请注意，其他版本的tensorflow / keras也应该起作用。 如何使用 加载数据集 from keras . datasets import mnist import keras import random # get the da

linux socket编程，通过实例由浅入深，涵盖client/server设计，部分章节的扩展有助于深入了解TCP/IP协议。

openstreetmap：OpenStreetMap的接口（加载地图，提取道路连通性，绘制道路网络并找到最短路径）