U-GAT-IT —正式TensorFlow实施（ICLR 2020） ：具有图像到图像转换的自适应层实例规范化的无监督生成注意网络 | 该存储库提供以下论文的正式Tensorflow实现： U-GAT-IT：具有图像到图像转换的自适应层实例规范化的无监督生成注意网络Kim Junho（NCSOFT） ，Minjae Kim（NCSOFT），Hyeonwoo Kang（NCSOFT），Kwanghee Lee（波音韩国） 摘要我们提出了一种新的无监督图像到图像翻译方法，该方法以端到端的方式结合了新的注意力模块和新的可学习归一化功能。 注意力模块指导我们的模型将注意力集中在基于辅助分类器获得的注意力图来区分源域和目标域的更重要区域上。 与以前基于注意力的方法无法处理域之间的几何变化不同，我们的模型可以转换需要整体变化的图像和需要大形状变化的图像。 此外，我们新的AdaLIN（自适应层实例

以上使用了GCN, ChebNet, GAT三种图卷积来预测交通流量，只考虑了空间上的影响，没有考虑时序上的影响，所以效果有进一步提升空间。这里只是为了实现基于上述三种图卷积预测交通流量。 可以很明显看出三种模型在处理数据时的快慢和准确率。 三种模型都具有处理结构化时间序列的通用框架。它不仅能够解决交通网络建模和预测问题，而且可以应用于更一般的时空序列学习任务。 时空卷积块结合了图卷积和门控时间卷积，能够提取出最有用的空间特征，并连贯地捕捉到最基本的时间特征。 该模型完全由卷积结构组成，在输入端实现并行化，参数更少，训练速度更 快。更重要的是，这种经济架构允许模型以更高的效率处理大规模网络。

文档包含了gat1400系列全部协议和网络抓包数据（设备认证注册、保活、图片推送）供大家开发参考用

pytorch-GAT Pytorch中图形注意力网络的实现技巧 参考 Veličković，Petar等。 “图形注意网络”。 arXiv预印本arXiv：1710.10903（2017）。

提出图注意力网络算法的论文

GAT_1399公安视频图像分析系统：公安视频图像分析系统 第1部分：通用技术要求、公安视频图像分析系统 第2部分：图像内容分析及描述技术要求

计算机视觉Github开源论文 U-GAT-IT Unsupervised Generative Attentional Networks with Adaptive Layer-Instance Normalization for Image-to-Image Translation

GAT 2000.7-2014 实有人口管理类别代码标准文件，GAT 2000.7-2014 实有人口管理类别代码

非授权外联监测产品安全技术要求

MTK调试工具GAT