在PyTorch上进行深度转移学习 这是用于深度迁移学习的PyTorch库。 我们将代码分为两个方面：单源无监督域自适应（SUDA）和多源无监督域自适应（MUDA）。 SUDA方法很多，但是我发现有一些深度学习的MUDA方法。 此外，具有深度学习的MUDA可能是领域适应性更广阔的方向。 在这里，我实现了一些深度传输方法，如下所示： UDA DDC：针对领域不变性的深度领域混淆最大化 DAN：通过深度适应网络学习可转让特性（ICML2015） Deep Coral：用于深域适应的Deep CORAL相关对齐（ECCV2016） Revgrad：通过反向传播进行无监督域自适应（ICML2015） MRAN：用于跨域图像分类的多表示自适应网络（Neural Network 2019） DSAN：用于图像分类的深度子域适配网络（神经网络和学习系统2020的IEEE交易） 慕达对齐特

域猎人专业版 你还在用Excel进行目标管理吗？ 你还在为收集目标的信息而烦恼吗？ 你还在测试时不停地复制粘贴吗？ 那么来试试吧！方便快捷的目标管理，自动化的信息收集，与burp无缝衔接，与外部安全工具联动... 这是一个帮助SRC白帽子，安全测试工程师提高效率的工具！ 我mmmark师傅的御用工具之一！ 作者和贡献者 mmmark（很多核心思路都来自他宝贵的实战经验！） 功能介绍 域标签：目标管理和信息收集 基于burp流量自动化信息收集（子域名，相关域名，相似域名，邮箱，Java包名） 支持对主域名的权威服务器进行域传送（区域转移）漏洞检测以获取信息 支持域名黑名单排除 支持IP网段作为目标范围 支持IP：端口作为目标 支持快捷在Google和GitHub搜索的内容 标题标签：进度管理和操作联动 多线程请求子域名的80或433端口，获取网页标题，IP地址，CDN等目标信息 支持排序，

超分辨率matlab代码小波域样式转移在单图像超分辨率中实现有效的感知失真权衡 ICCV 2019口头报告可以从以下链接下载不同数据集的结果： 这是ICCV论文“在单图像超分辨率中有效实现感知失真权衡的小波域样式转换”的实现。 第一步，您需要运行SWT.m来生成LL子带和六个高频子带。 第二步，请将上面生成的高频子带分别复制到Content和Style文件中，然后运行command.sh进行小波域风格传输。 可以从下载VGG文件，然后将其放在pre-trained_model文件中。 在第三步骤中，通过VDSR网络进一步增强了在第一步骤中生成的LL子带。 注意，需要针对不同的小波滤波器对网络进行重新训练。 所提供的模型仅适用于哈尔过滤器。 在第四步中，通过运行ISWT.m，使用逆SWT将生成的LL和高频子带重新组合为图像。 样式传送软件代码基于进行了修改。 NRQM分数是使用PIRM挑战提供的matlab代码计算的。

如果你了解"模型"的定义是对现实的有选择性的精简，然后用这样的观点去读 DDD 这本书，你就会发现，DDD 其实没有什么太多的新鲜玩意，它更多地是可以看作是面向对象思潮的回归和升华。在一个"万事万物皆对象"的世界里，哪些对象是对我们的系统有用的？哪些是对我们拟建系统没有用处的？我们应该如何保证我们选取的 模型对象恰好够用？ 在 DDD 以及传统 OO 的观点中，业务而不是技术是一个开发团队首先要关注的内容，众多的框架和平台产品也在宣称把开发人员解放出来，让他们有更多的精力去关注业务。但是，当我们真正去看待时，会发现，开发人员大多还是沉溺于技术中，对业务的理解和深入付出的太少太少。其实要解决这个问题，就要先看清楚我们提炼出来的模型,在整个架构和整个开发过程中所处的位置和地位。我们经常听到两个词，一个是 MDD（模型驱动设计），一个是MDA（模型驱动架构）。如果 DDD 特别关注的是"M"(以及其实现)，那么，这个M应该如何与架构和开发过程相融合呢？我经常会看到我们辛苦提取出来的领域模型被肢解后，分散到系统的若干角落。这真是一件可怕的事情，因为一旦形成了"人脑拼图"，就很难再有一个人将它们一一复原，除非这个人是个天才。

领域驱动设计方面的权威著作！ 作者：Vaughn Vernon 书名：Implementing Domain-Driven Design 特点： PDF高清文字版

Image reconstruction by domain-transform manifold learning

我的代码首先受到启发 https://github.com/CuthbertCai/pytorch_DANN 神经网络领域专家训练 https://arxiv.org/pdf/1505.07818.pdf implement Domain-Adversarial Training of Neural Networks by pytorch 数据集 mnist mnist_m 从下载 结果 原始纸 我的实施 仅来源 0.52 0.5 丹恩 0.766 0.82〜0.83 去做 尝试更好地调整玩具示例 使用较少的参数来训练模型

本人很不容易找到的NSCT代码（matlab），亲测可用，压缩包有函数和例子 由于水平不够没有把每个函数看懂，但确实实现了NSCT分解和融合，低价分享给有需求的人 压缩包里还有理一个压缩包 里面有必要的函数应和大文件放一起 notes： The original author of this paper By Zhiqin Zhu and Mingyao Zheng Chongqing University of Posts and Telecommunications If you feel the infringement, please contact me and delete it immediately

JNAUnixSocket 修改JUnixSocket项目以在Java中简单地使用Unix Domain Socket

简介   Domain adaptation 可以解决不同域之间的偏移的问题。之前大多数的工作都没有考虑连续序列的问题，都是对于单一内容的。这篇文章中，作者提出了一个SSDAN的网络来做文本识别。其中的gateed attention similarity用来将源域和目标域的字符特征分布来对齐。对文本识别带来提升。 domain adaptation的好处   如何训练一个鲁棒的识别器能够很好地识别所有类型的字体？最直接的方法是使用所有类型的数据集来训练，拟合出一个很好地网络。但是数据集的标注需要巨大的消费，因此，如何无监督地使用数据集是一个很好地方法。使用domain adaptation是