研究@ Magic Leap（CVPR 2020，口腔） SuperGlue推理和评估演示脚本 介绍 SuperGlue是在Magic Leap完成的2020 CVPR研究项目。 SuperGlue网络是一个图形神经网络，结合了最佳匹配层，该层经过训练可以对两组稀疏图像特征进行匹配。 此存储库包含PyTorch代码和预训练权重，用于在关键点和描述符之上运行SuperGlue匹配网络。 给定一对图像，您可以使用此存储库在整个图像对中提取匹配特征。 SuperGlue充当“中端”，在单个端到端体系结构中执行上下文聚合，匹配和过滤。 有关更多详细信息，请参见： 全文：PDF： 。 作者： Pa

服务器上的YOLO 此存储库包含在服务器即服务上运行检测算法的代码，并且具有我的方法的实时实现。 自由使用它:) 强烈建议启动并运行Tensorflow-gpu。 在目录内移动之后。 运行项目： 安装虚拟环境 pip install virtualenv 启动虚拟环境 virtualenv venv 激活virtualenv . venv/bin/activate 安装要求 pip install -r requirements.txt 下载并转换yolov3和yolov3-tiny的权重 wget https://pjreddie.com/media/files/yolov3.weights ./yad2k.py yolov3.cfg yolov3.weights yolo.h5 wget https://pjreddie.com/media/files/yol

被誉为AI圣经的《DEEP LEARNING》中文版，翻译得比较好的版本。

深度学习这本书 中文最新版pdf，更新至2017年9月4日 内容包括机器学习和深度学习的数学基础，深度学习的各个方面

自动驾驶食谱（预览） 注意： 该项目由Microsoft Garage的开发并维护。 目前这项工作正在进行中。 我们将根据用户的要求和合作者的可用性继续添加更多的教程和方案。 在过去的大约五年时间里，自动驾驶已经超越了疯狂的登月计划。 它已Swift成为当今最大的技术之一，有望塑造我们的明天，与汽车首次出现时并没有什么不同。 推动此变化的主要动力是软件（人工智能），硬件（GPU，FPGA等）和云计算的最新进展，这些进展使得能够提取和处理大量数据，从而使公司有可能推动新的水平自治的4和5。 兰德的显示，要达到这些自治水平，就需要对数亿甚至有时是数千亿英里的训练数据进行训练，以证明其可靠性。

毕业设计 这是我使用“深度学习”的学士学位毕业项目的仓库。

OmniNet：用于多模式多任务学习的统一架构 OmniNet是用于多模式多任务学习的Transformer体系结构的统一和扩展版本。 单个OmniNet体系结构可以对几乎任何现实领域（文本，图像，视频）的多个输入进行编码，并能够跨多种任务进行异步多任务学习。 OmniNet体系结构包含多个称为神经外围设备的子网，用于将特定于域的输入编码为时空表示形式，并连接到称为中央神经处理器（CNP）的通用中央神经网络。 CNP实现了基于变压器的通用时空编码器和多任务解码器。 该存储库包含用于的官方Pytorch实施（Pramanik等）。 本文演示了OmniNet的一个实例，该实例经过联合训练以执行

角膜外科医生 一个用于在经过训练的Keras模型上进行网络手术的库。 对于深度神经网络修剪很有用。 Keras外科医生提供了简单的方法来修改训练有素的模型。 当前实现了以下功能： 从图层中删除神经元/通道 删除图层 插入图层 替换图层 Keras-Surgeon与任何模型架构兼容。 一次遍历网络可以修改任意数量的层。 这些修改有时被称为网络手术，这激发了该软件包的名称。 背景 这个项目的动机是我对深度学习的兴趣以及对尝试使用研究文献中已经了解的一些修剪方法进行试验的愿望。 我创建此程序包是因为找不到从Keras模型中修剪神经元的简单方法。 希望对其他人有用。 安装 使用pip从安装Keras-Surgeon。 pip install kerassurgeon 如果您要安装示例的依赖项，请执行以下操作： pip install kerassurgeon[examples] 它

PyTorch中的语义分段PyTorch需求中的语义分段主要特征模型数据集损失学习率调度程序数据增强训练PyTorch需求中的语义分段PyTorch需求中的语义分段主要特征模型数据集损失学习率调度器数据增强训练推理代码结构配置文件格式包含此重现PyTorch实现了针对不同数据集的不同语义分割模型的实现。 要求在运行脚本之前，需要先安装PyTorch和Torchvision，以及用于数据预处理和tqd的PIL和opencv

LaneNet车道检测 使用tensorflow主要基于IEEE IV会议论文“走向端到端的车道检测：实例分割方法”，实现用于实时车道检测的深度神经网络。有关详细信息，请参阅他们的论文 。 该模型由编码器-解码器阶段，二进制语义分割阶段和使用判别损失函数的实例语义分割组成，用于实时车道检测任务。 主要的网络架构如下： Network Architecture 安装 该软件仅在带有GTX-1070 GPU的ubuntu 16.04（x64），python3.5，cuda-9.0，cudnn-7.0上进行了测试。 要安装此软件，您需要tensorflow 1.12.0，并且尚未测试其他版本的tensorflow，但我认为它可以在版本1.12以上的tensorflow中正常工作。 其他必需的软件包，您可以通过以下方式安装它们 pip3 install -r requirements.txt