Pytorch中的Grad-CAM实现使网络认为图像标签是“ pug，pug-dog”和“ tabby，虎斑猫”的原因：针对“ pug，pug-dog”类将Grad-CAM与引导反向传播结合起来：Gra Grad -Pytorch中的-CAM实施使网络认为图像标签是“ pug，pug-dog”和“ tabby，虎斑猫”的原因：针对“ pug，pug-dog”类，将Grad-CAM与导向反向传播结合在一起：激活梯度类地图是用于深度学习网络的可视化技术。 参见论文：https://arxiv.org/pdf/1610.02391v1.pdf论文作者进行火炬实施：https://github.com/ramprs/grad-cam我的Keras实施：https://github.com/jacobgil / keras-grad-cam这

gradcam-pytorch：在Pytorch中实现GradCAM算法

新闻 1月12日：v0.9.96大大提高了和的灵活性。 查看 12月10日：v0.9.95包括一个新的元组采矿器 。 查看 11月6日：v0.9.94中有一些小错误修复和改进。 文献资料 Google Colab示例 请参阅 以获取可以在Google Colab上下载或运行的笔记本的 。 PyTorch公制学习概述 该库包含9个模块，每个模块都可以在您现有的代码库中独立使用，或组合在一起以形成完整的培训/测试工作流程。 损失函数如何工作 在训练循环中使用损失和矿工 让我们初始化一个简单的 ： from pytorch_metric_learning import losses loss_func = losses . TripletMarginLoss () 要在训练循环中计算损失，请传递模型计算的嵌入以及相应的标签。 嵌入的大小应为（N，embedding_size），标签的大小应为（N），其中N为批处理大小。 # your training loop for i , ( data , labels ) in enumerate ( dataloader ): optimiz

分散注意力的驾驶员多动作分类 :automobile: :sport_utility_vehicle: :bus: 1.问题 预测可能性：驾驶员在每个演讲中都在做什么？ 我们需要图像分类成以下10类 c0：安全驾驶 c1：发短信（右） c2：电话交谈（右） c3：发短信（左） c4：电话交谈（左） c5：操作收音机 c6：喝酒 c7：伸手去拿 c8：化妆 c9：与Pessenger交谈 2.资料 3.特点 数据由驾驶员图像组成，每个图像都是在汽车中拍摄的，驾驶员在汽车中做某事 发短信 吃 在讲电话 化妆品 伸手向后（伸到后座上的某些物体） 4.档案 imgs.zip-所有（训练/测试）图像的压缩文件夹。 sample_submission.csv-格式正确的样本提交文件。 driver_imgs_list.csv-培训图像，其主题（驾驶员）ID和班级ID的列表。 5.图书馆 NumPy 大熊猫 Matplotlib 斯克莱恩 凯拉斯（实用程

“ PVNet：用于6DoF姿势估计的像素级投票网络”代码CVPR 2019口头好消息！ 我们发布了一个干净的PVNet版本：clean-pvnet，包括如何在自定义数据集上训练PVNet。 对tless数据集的训练和测试，我们在其中检测图像中的多个实例。 PVNet：用于6DoF姿势估计的像素化投票网络PVNet：用于6DoF姿势估计的像素化投票网络Sida Peng，刘元，黄启兴，周小伟，包虎军CVPR 2019口腔项目页面欢迎任何问题或讨论！ 截断LINEMOD数据集检查

> 包含的网络模型： Deep Belief Network (DBN) Deep Autoencoder (DAE) Stacked Autoencoder (sAE) Stacked Sparse Autoencoder (sSAE) Stacked Denoising Autoencoder (sDAE) Convolutional Neural Network (CNN) Visual Geometry Group (VGG) Residual Network (ResNet) 模型详细介绍见 > 开始使用： 首先请按path.txt设置包的路径 Pytorch初学: 建议看看 和 理解本package：看看这个不依赖其他文件运行的 运行代码：请运行文件夹下的文件 > 用于任务： task == 'cls' 用于分类任务 task == 'prd' 用

在Pytorch中进行对比学习变得简单 似乎我们可以进行图像的自我监督学习。 这是一种使用Pytorch包装器的简单方法，可以在任何视觉神经网络上进行对比式自我监督学习。 目前，它包含足够的设置供一个人在SimCLR或CURL中使用的任何一种方案上进行训练。 您可以包装接受可视输入的任何神经网络，无论是Resnet，策略网络还是GAN的鉴别器。 其余的都照顾好了。 问题 事实证明，CURL的结果。 建议您使用SimCLR设置，直到另行通知。 安装 $ pip install contrastive-learner 用法 SimCLR（具有标准化温度标度的交叉熵损失的投影头） import torch from contrastive_learner import ContrastiveLearner from torchvision import models resnet = m

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

弹性重量合并 通过弹性体重合并，深度强化学习和有监督的设置进行终身学习。 部分结果 链接

波网 实现，用于音频源分离。 对于（改进的）Pytorch版本，请单击。 对于Tensorflow 2 / Keras中的第三方实施（不是我本人），请单击。 听的例子 听人声的分离结果和多仪器分离结果 什么是Wave-U-Net？ Wave-U-Net是一种适用于音频源分离任务的卷积神经网络，直接在原始音频波形上工作，中。 Wave-U-Net是U-Net架构对一维时域的一种改编，可以执行端到端音频源分离。 通过一系列涉及一维卷积的下采样和上采样块以及下采样/上采样过程，可以在抽象和时间分辨率的多个尺度/级别上计算特征，并进行组合以进行预测。 有关网络体系结构的摘要，请参见下图。 参加SiSec分离竞赛 Wave-U-Net还以提交和的参加了，并取得了良好的性能，特别是考虑到我们使用的数据集与许多其他提交相比所使用的有限数据集，尽管端到端数据处理更为耗时（我们还必须从数据中学习频