工地上安全帽数据集2000张，用labelimg标注完成，人工标注，类别3个：helmet，head，person

深度学习目标检测方法综述

Q-learning Q-learning 是 value-based 的方法，在这种方法中我们不是要训练一个 policy，而是要训练一个critic网络。critic 并不直接采取行为，只是对现有的 actor ，评价它的好坏。 Value-Fuction critic 给出了一个 value function ，代表在遇到游戏的某个 state 后，采取策略为的actor  一直玩到游戏结束，所能得到的 reward 之和。  （即critic）的输入是某个state，输出是一个scalar标量。上图游戏画面中左边的  很大，因为当前怪物比较多，防护罩也没被摧毁，从此时玩到游戏结束得

| 英语 PaddleVideo 介绍 PaddleVideo是用于为行业和学术界准备的视频识别，动作本地化和时空动作检测任务的工具集。 该存储库提供了示例和最佳实践指南，用于在视频区域的场景中探索深度学习算法。 我们致力于支持可以大大减少“部署时间”的实验和实用程序。 顺便说一句，这也是视频领域最新PaddlePaddle 2.0的熟练度验证和实现。 特征 先进的模型动物园设计PaddleVideo统一了视频理解任务，包括识别，本地化，时空行为检测等。 借助基于IOC / DI的清晰配置系统，我们设计了一个去耦模块化和可扩展的框架，该框架可以通过组合不同的模块轻松构建自定义网络。 各种数据集和体系架构PaddleVideo支持多个数据集和架构，包括 ，ucf101，YoutTube8M数据集和视频识别模型，诸如TSN，TSM，SlowFast，AttentionLSTM和行动本地化模

基于物理的深度学习 以下材料集合针对“基于物理的深度学习” (PBDL)，即结合物理建模和深度学习 (DL) 技术的方法领域。 在这里，DL 通常指的是基于人工神经网络的方法。 PBDL 的总体方向代表了一个非常活跃且快速发展的研究领域。 在这个领域，我们可以区分各种不同的基于物理的方法，从目标设计、约束、组合方法和优化到应用。 更具体地说，所有方法都针对正向模拟（预测状态或时间演化）或逆向问题（例如，从观察中获得物理系统的参数化）。 除了正向或反向，学习和物理之间的整合类型提供了一种对不同方法进行分类的方法： 数据驱动：数据由物理系统（真实或模拟）产生，但不存在进一步的交互。 损失项：物理动力学（或其部分）在损失函数中编码，通常以可微运算的形式。 学习过程可以重复评估损失，并且通常从基于 PDE 的公式接收梯度。 交错：完整的物理模拟被交错并与深度神经网络的输出相结合； 这需要一

基于MLP深度学习算法的DGA准确 识别技术研究 安全对抗 安全实践 安全对抗 信息安全 安全防护

算法工程师能力思维导图、

基于深度学习算法的智能分类研究.pdf

基于深度学习算法的带钢表面缺陷识别.pdf

基于深度学习算法的图像集识别.pdf