时空数据集 收集时空数据集以用于网络科学，深度学习和通用机器学习研究。 内容 匈牙利的水痘病例 描述 匈牙利每周水痘（儿童疾病）病例的时空数据集。 该数据集由一个县级邻接矩阵和2005年至2015年之间的县级报告病例的时间序列组成。有两个特定的相关任务： 县级病例数预测。 国家一级的病例数预测。 链接 特性 导演：没有。 节点功能：是。 时间的：是的。 匈牙利县 节点数 20 边缘 61 密度 0.3211 传递性 0.4134 可能的任务 计数数据回归 引用 @misc { rozemberczki2021chickenpox , title = { {Chickenpox Cases in Hungary: a Benchmark Dataset for Spatiotemporal Signal Processing with Graph Neural

警告： 仍在继续该项目 我们很高兴地宣布，NPB内核和伪应用程序都可以在我们的新存储库。 这是我们关于NAS并行基准（NPB）套件的第一项工作，许多其他工作正在以许多不同的方式继续进行该项目。 注意：此存储库将不再更新，因此，请在关注我们 如何引用这项工作 D. Griebler，J。Loff，G。Mencagli，M。Danelutto和LG Fernandes。 C + +并行编程的高效NAS基准内核。 在第26届Euromicro国际并行，分布式和基于网络处理（PDP）会议的会议记录中。 英国剑桥，2018。 NPB-CPP基准 这些代码从原始转换为C ++ 。 与Fortran版本相比，我们在C ++中获得了类似的性能。 ================================================================== NAS Paral

介绍 English | MMPose是一个基于PyTorch的开源姿势估计工具箱。它是的一部分。 master分支可与PyTorch 1.3+一起使用。 COCO 17点姿势估计 133点全身姿势估计（） 主要特点 支持多种任务 我们支持当前研究领域中广泛的主流人体姿势分析任务，包括2d多人人体姿势估计，2d手姿势估计，2d人脸界标检测，133个关键点全身人姿势估计，时尚界标检测和3d人网格恢复。 更高的效率和更高的精度 MMPose实现了多种最新（SOTA）深度学习模型，包括自上而下和自下而上的方法。与等其他流行的代码库相比，我们可以实现更快的训练速度和更高的准确性。有关更多信息，请参见 。 支持各种数据集 该工具箱直接支持多个流行且具有代表性的数据集，COCO，AIC，MPII，MPII-TRB，OCHuman等。有关更多信息，请参见 。 精心设计，测试和记录 我们将MMP

Carla目前的稳定版为即可下载，linux解压后命令行执行这将启动一个全屏的仿真窗口，你能使用WASD驾驶车辆实验中往往增加各种参数进行配置carla-server参数表示以服务端模式运行，等待客户端连接benchmarkfps=10表示仿真中每一个step的时间间隔相同windowedResX=300ResY=300表示窗口化以及大小配置环境变量：SDL_VIDEODRIVER=offscreen和SDL_HINT_CUDA_DEVICE=0程序中可以这么写这个目前的缺点是默认第0块GPU，选择其他的会失效，在https://github.com/carla-simulator/carla

固态硬盘基准测试(AS SSD Benchmark)2.0.6821.41776汉化版

这是本人翻译的吴毅老师的Online Object Tracking： Benchmark2015文章，希望对大家有所帮助

||| 一，简介 AoE （Edge上的AI）是一个开源的终端侧AI集成运行时环境（IRE） 。帮助开发者将不同框架的深度学习算法轻松部署到终端高效执行。 二，使用文档＆示例＆资源 官方模型： 人脸比对模型， 三，适应信息 AoE版本 推理框架 依赖信息 推理框架版本 1.1.4 （2020/03/17） TensorFlow Lite [Android] com.didi.aoe.runtime-tensorflow-lite：1.1.4 [iOS] pod'AoERuntime / TensorFlowLite'，'〜> 1.1.3'， 2.1.0 火炬 [Android] com.didi.aoe.runtime-pytorch：1.1.4 1.4.0 人工神经网络 [Android] com.didi.aoe.runtime-mnn：1.1.4 [iOS] pod'AoERuntime / MNN'，'〜> 1.1.3'， 0.2.1.7 神经网络 [Android] com.didi.aoe.runtime-ncnn：1.1.4 [iOS] pod'AoE

Benchmark etcd性能测试工具

DeeperForensics-1.0：用于真实世界人脸伪造检测的大规模数据集 该存储库提供以下论文的数据集和代码： DeeperForensics-1.0：用于真实世界人脸伪造检测的大规模数据集，，，在CVPR 2020中。 | | 摘要：我们介绍了我们正在努力建立用于人脸伪造检测的大型基准。 该基准测试的第一个版本DeeperForensics-1.0代表了迄今为止最大的人脸伪造检测数据集，共有60,000个视频，共1760万帧，是现有同类数据集的10倍。 应用了广泛的现实世界扰动以获得更大规模和更高多样性的更具挑战性的基准。 我们会仔细收集DeeperForensics-1.0中的所有源视频，并通过新提议的端到端人脸交换框架来生成假视频。 经用户研究验证，生成的视频质量优于现有数据集中的视频。 该基准测试具有一个隐藏的测试集，其中包含在人类评估中获得较高欺骗性分数的操纵视频。

持续学习基准 使用流行的持续学习算法评估三种类型的任务转移。 该存储库使用PyTorch实现并模块化了以下算法： EWC： ，（克服神经网络中的灾难性遗忘） 在线EWC： ， SI： ，（通过突触智能持续学习） MAS： ，书面（“内存感知突触：学习（不）忘记的内容”） 创业板： ，（用于持续学习的梯度情景记忆） （更多即将到来） 将以上所有算法与具有相同静态内存开销的以下基准进行比较： 天真彩排： L2： ， 关键表： 如果此存储库对您的工作有所帮助，请引用： @inproceedings{Hsu18_EvalCL, title={Re-evaluating Continual Learning Scenarios: A Categorization and Case for Strong Baselines}, author={Yen-Chang Hsu a