pystiche：基于PyTorch的神经风格转移（NST）框架

caltech_101_transfer_learning 在Caltech 101对象数据集上使用ResNet50模型进行转移学习以进行图像分类 在职的 从此位置下载数据集 ，然后更改数据路径。

matlab界面选择代码深层神经网络转移学习EEG-MEG- 该代码具有两个基于SGD和adam的CNN模型（模型1和2）。 还包括维格纳维尔（Wigner-ville）分发代码 功能：RAW EEG，短时傅立叶变换，Wigner-ville分布 深度学习参数适应：贝叶斯优化 平台：Matlab，Python 该代码用于复制题为“单一模型深度学习方法可以增强基于EEG的脑机接口的分类精度吗？”的论文。 如果您使用的是部分代码，请引用这些论文： 罗伊·苏吉特（Roy，Sujit）等。 “通道选择改善了基于MEG的脑机接口。” 2019年第9届国际IEEE / EMBS神经工程会议（NER）。 IEEE，2019年。 Roy，S.，McCreadie，K.和Prasad，G.，2019年10月。 单一模型深度学习方法能否提高基于EEG的脑机接口的分类精度？ 在2019年IEEE系统，人与控制论国际会议（SMC）（pp.1317-1321）中。 IEEE。 正在开发中

颜色分类leetcode 任意式传输 Arbitrary-Style-Per-Model 快速神经风格迁移方法 描述 使用Encoder-AdaIN-Decoder架构 - 深度卷积神经网络作为风格转移网络 (STN)，它可以接收两个任意图像作为输入（一个作为内容，另一个作为样式）并输出重新组合内容和前者的空间结构和后者的风格（颜色、纹理），无需重新训练网络。 STN 使用 MS-COCO 数据集（约 12.6GB）和 WikiArt 数据集（约 36GB）进行训练。 此代码基于 Huang 等人。 (ICCV 2017) 系统总览。 图片来自黄等人。 原纸。 编码器是一个固定的 VGG-19（最多 relu4_1），它在 ImageNet 数据集上进行了预训练以进行图像分类。 我们训练解码器将 AdaIN 输出从特征空间反转回图像空间。 先决条件 (MD5 c637adfa9cee4b33b59c5a754883ba82 ) 我在tool文件夹中提供了一个转换器。 它可以从火炬模型文件（.t7 格式）中提取内核和偏差，并将它们保存到一个 npz 文件中，这样更容易通过 NumPy 处

transfer dense121迁移学习模型模板参数不变只训练classifier这一层的参数 ，迁移学习的一个案例模板

bpo-elt-transfer 基于elt-transfer的自用定制, 拆了部分封装，和无用方法，提升了扩展性。 更改了props 和表格的列定义方式，使其更贴合原生el-transfer 和el-table 的使用。提高了客制化能力，并且使用方式更符合直觉。 安装 npm install bpo-elt-transfer 使用 在main.js文件中引入插件并注册 import bpoEltTransfer from 'bpo-elt-transfer' Vue.use(bpoEltTransfer) Attributes 参数 说明 类型 默认值 value / v-model 绑定值 array — data 候选池（左表）的数据源 array [] button-texts 自定义标题文案 array ['待选项', '已选项'] title-texts 自定义按钮文案 arr

基于VS2015环境和openCV环境下实现原始影像到目标影像的颜色转换，此操作是在lab颜色空间对两者计算得到

Color Transfer between Images/图像间的色彩传递/论文

使用Reinhard的经典色彩迁移算法实现源图像到目标图像的色彩迁移。具体实现colorTransfer_Reinhard.m函数文件中，利用的是rgb2lab和lab2rgb完成色彩空间转换。

迁移学习中的经典理论分析 对深入理解迁移学习算法很有帮助