SC-FEGAN SC-FEGAN：具有用户草图和颜色的人脸编辑生成对抗网络（ICCV 2019）Youngjoo Jo，Jongyoul Park arXiv：https://arxiv.org/abs/1902.06838概述使用深SC-FEGAN SC编辑人脸图像-FEGAN：使用用户的草图和颜色进行人脸编辑生成对抗网络（ICCV 2019）Joongjooul Park arXiv的Youngjoo Jo，https：//arxiv.org/abs/1902.06838概述使用深度神经网络编辑人脸图像。 用户可以使用直观的输入（例如草图和着色）来编辑面部图像，我们的网络SC-FEGAN可以从中生成高质量的合成图像。 我们使用了带有门控卷积层的SN-patchGAN鉴别器和类似Unet的生成器。 依存关系十

SESR：同时增强和超分辨率 在更高的空间比例上可感知地增强图像生成 指标： 论文： : 预印本： : RSS-2020焦点演讲： ： 数据： ： 深度SESR模型 一种有效的水下图像模型； 可以接受2x-4x SESR的端到端培训 模型架构和实施细节： : 带有一维FENet的Deep SESR 2x的重量（在UFO-120上进行了训练）在以下型号中提供： HDF5：deep_sesr_2x_1d.h5文件； 使用test_sesr_Keras.py Protobuf：deep_sesr_2x_1d.pb文件； 使用test_sesr_TF.py UFO-120数据集 1500个训练和120个测试样本（水下图像） 促进2x，3x和4x SESR模型的配对训练 还具有带注释的显着性图，用于训练显着性预测模型 可以从以下网址下载： http : //irvla

使用Katz投影将点云投影到2D虚拟图像中。然后我们使用预先训练的卷积神经网络对图像进行语义分割。为了获得语义分割的点云，我们将分数从分段投影回点云。我们的方法是在semantic3D数据集上进行评估的。我们发现我们的方法与最先进的技术相当，没有对Semantic3D数据集进行任何微调。

Fundus_Review 该存储库将更新我们以前的论文中未包括的内容，包括对新发布的眼底图像数据集的描述以及最新的实验结果及其设置。 还介绍了我们的pdf文件：“深度学习在眼底图像中的应用：综述”。 如有任何疑问，请联系 纸 这是我们论文的pdf文件：“医学图像分析”接受的“深度学习在眼底图像中的应用：综述”。 您也可以通过或下载。 数据集 该文件描述了广泛使用的眼底图像数据集。 未包含在我们的原始论文中的新发布的数据集以蓝色显示。 实验结果 该文件描述了值得关注的最新作品的实验结果。 未包含在我们的原始论文中的最新结果以蓝色显示。 新增论文的参考文献已链接到其在线出版物。 引文 请引用本文为：陶力，王波，胡春雨，洪康，刘汉若，王凯，傅华柱。 深度学习在眼底图像中的应用：综述。 医学图像分析，2021年。

本人之前一直在学习医学图像超分辨率重建，这是2016发表在CVPR上的少有的关于超分的文章，经过一段时间的学习制作了这个PPT，可以用来课程演示或者自己对超分重建的学习。

Deep Learning -Jphn. D.K 2019

推荐SYS_with_movielens 使用FunkSVD，FM，itemCF / UserCF，使用残差网络的宽带和深度，使用残差网络的deepFM等构建ResSys。我尝试尽快收集所有算法。 我提供了一些基于movielens的算法 SVD： FunkSVD： BiasSVD： SVD ++ 因子分解机：FM 协同过滤 深度学习（tensorflow 2.x）宽而深 深度fm NFM

一个Python软件包，用于使用PyTorch Tensor功能在CPU或GPU上模拟尖峰神经网络（SNN）。 BindsNET是一个尖峰神经网络仿真库，旨在开发受生物启发的算法。Python软件包，用于使用PyTorch Tensor功能在CPU或GPU上仿真尖峰神经网络（SNN）。 BindsNET是一个尖峰的神经网络仿真库，旨在开发用于机器学习的受生物启发的算法。 该软件包被用作正在进行的研究的一部分，该研究在生物学启发的神经与动力系统（BINDS）实验室中将SNN应用到机器学习（ML）和强化学习（RL）问题中。 查看BindsNET示例

《FFA-Net: Feature Fusion Attention Network for Single Image Dehazing》的网络模型结构图

cryptocurrency-price-prediction：使用LSTM神经网络的加密货币价格预测