数据融合_HSI_LiDAR 基于深度学习的HSI和LiDAR图像融合 作者 平台 Ubuntu 14.04 CUDA 8.0 GTX 850M 张量流1.4 python2 / python3 使用卷积神经网络的体系结构 输入-[转换-关联-最大池] x 2-[仿射-关联] x 2-仿射-softmax 档案文件 ./HSI/Load_data.py加载HSI源数据并制作Train / Test文件作为补丁 ./HSI/CNN.py定义CNN参数./HSI/CNN_feed.py训练HSI CNN权重./HSI/run_cnn.py使用预先训练的CNN参数进行HSI分类./HSI/Spatial_dataset.py为处理HSI数据。 ./HSI/Get_feature.py保存最后汇聚层平功能./DSM几乎一样./HSI 结果 接触

jetson nano

在剑桥驾驶的标记视频数据库（CamVid）上使用Tensorflow 2 GPU进行多类语义分割 该存储库包含用于CamVid数据集的多类语义分割的多个深度学习模型（U-Net，FCN32和SegNet）的实现。 实施tensorflow 2.0 Aplha GPU软件包 包含用于图像分类/检测/分段的通用计算机视觉项目目录创建和图像处理管道

Faster-RCNN的Tensorflow架构代码 已跑通，主要对Faster-RCNN训练自己的数据集。进行目标检测，将文件中的data数据换为同格式类型的自己的数据即可。

SiamFC-TensorFlow TensorFlow端口的跟踪方法在论文《描述。 特别是，它是在作为基线呈现的改进版本，可在高帧速率下实现最新性能。 本文中介绍的其他方法（性能相似，网络较浅）尚未移植。 注意1 ：结果应该与我们的MatConvNet实现类似（即稍好或差）。 但是，要进行直接比较，请参阅项目页面中提供的预先计算的结果或原始代码，您可以在找到这些原始代码。 注意2 ：目前，此代码仅允许在正向模式下使用预训练的网络。 使用virtualenv进行设置 如果尚未pip install virtualenv 使用Python 2.7创建新的virtualenv virtu

Tensorflow-gpu版本缺少的dll文件

RL图 用于深度强化学习的模块化计算图。 RLgraph是一个在研究和实践中快速原型化，定义和执行强化学习算法的框架。 RLgraph与大多数其他库不同，因为它可以支持TensorFlow（或通常的静态图），也可以通过单个组件接口支持急切/按运行定义执行（PyTorch）。 您还可以在此处找到介绍性博文： 。 RLgraph公开了使用代理的良好定义的API，并提供了用于测试和组装机器学习模型的新颖组件概念。 通过分离图定义，编译和执行，无需修改代理定义即可访问多个分布式后端和设备执行策略。 这意味着它特别适合从应用用例原型到大规模分布式培训的平稳过渡。 版本0.4.0中RLgraph的

gensim-3.8.1-cp36-cp36m-win_amd64.whl轮子文件，缺少的朋友可以下载安装一下

学习时的笔记及相关代码，笔记可见：https://blog.csdn.net/Morganfs/article/details/123926929?spm=1001.2014.3001.5501 学习来源：Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, by Aurélien Géron (O’Reilly). Copyright 2019 Aurélien Géron, 978-1-492-03264-9.

深度卷积神经网络用于多波段卫星图像的语义分割 准备 从下载3频段和16频段并提取到数据文件夹 通过执行以下命令来安装需求： $ pip install -r requirements.txt 此外，您需要安装tensorflow或tensorflow-gpu 训练 $ python train.py 争论 描述 选项 --algorithm 训练算法 unet ， fcn_densenet ， tiramisu ， pspnet --size 补丁大小 整型 --epochs 训练的纪元 整型 --batch 每批样品 整型 --channels 影像频道 3 ， 8 ， 16 --loss 损失函数 crossentropy ， jaccard ， dice ， cejaccard ， cedice --verbose 打印更多信息 布尔 --noaugment