YOLO
尝试使用YOLO网络摄像头。
步骤1：下载并将其保存到model_data/ 。
第2步：运行video.py 。
步骤3：尽情享受！
2021-10-25 16:20:03
110KB
1
【深度学习】
适合于深度学习课程教案
@标特科技 版权所有，禁止商务用途。
#发展历史
神经网络>>深度学习(2006，Hinton等)
# 深度学习理论
> 自下而上的非监督学习
> 自顶向下的 _监督学习
> 激励函数
> 特征表达
# 典型模型
用于大数据分析：
> 稀疏自动编码器(SAE)
> 限制波尔兹曼机(RBM)
> 深信度网络(DBN)
用于图像分析[重点]：
> 卷积神经网络(CNN)
# 典型SDK
> Caffe
> TensorFlow
> MXNet
...
2021-10-25 16:09:19
9.42MB
该存储库包含用于训练最新技术的心脏分割网络的代码，如本文所述：。 修改后的U-Net架构在MICCAI 2017 赛中获得第三名。
作者：
克里斯蒂安·鲍姆加特纳（）
丽莎·科赫（）
如果您发现此代码对您的研究有所帮助，请引用以下文章：
@article{baumgartner2017exploration,
title={An Exploration of {2D} and {3D} Deep Learning Techniques for Cardiac {MR} Image Segmentation},
author={Baumgartner, Christian F and Koch, Lisa M and Pollefeys, Marc and Konukoglu, Ender},
journal={arXiv preprint arXiv:1709.044
2021-10-25 14:22:43
51KB
1
语义KITTI的API
此存储库包含帮助程序脚本，用于打开、可视化、处理和评估来自 SemanticKITTI 数据集的点云和标签的结果。
链接到原始数据集
链接到。
链接到 SemanticKITTI 基准。
链接到 SemanticKITTI MOS 基准（在 SemanticKITTI 网站添加 MOS 后可能会删除）。
序列 13 中的 3D 点云示例：
序列 13 中的 2D 球面投影示例：
用于语义场景完成的体素化点云示例：
数据组织
数据按以下格式组织：
/kitti/dataset/
└── sequences/
├── 00/
│ ├── poses.txt
│ ├── image_2/
│
2021-10-24 16:24:15
66KB
1
数据融合matlab代码很棒的遥感深度学习
在这个项目中，我们将开源一些用于遥感分析任务的基线代码，例如语义分割，场景分类，对象检测和图像字幕。我们还将收集一些可用于遥感图像研究和开发的公共数据集。分析。
公共遥感数据集
基线代码（语义分割/场景分类/对象检测/图像字幕）
OpenSoure代码
关于遥感的补充
公共遥感数据集
1，语义分割
6种城市土地覆盖物类别，光栅蒙版标签，4波段RGB-IR航拍图像（0.05m分辨率）和DSM，38个图像斑块
类别
指数
标签
颜色
1个
防渗表面
255、255、255
2个
建造
0、0、255
3
低植被
0、255、255
4
树
0、255、0
5
车
255、255、0
6
杂波/背景
255，0，0
下载
10种土地覆盖类别，从农作物到小型车辆，57张1x1km图像，3/16波段Worldview
3图像（0.3m-750m分辨率），Kaggle内核
10个土地覆盖类别，2017年高云Sentinel-2图像的时间堆栈（R，G，B，NIR，SWIR1，SWIR2;
10
m分辨率），带云罩，斯洛文尼亚官方土地使用土地覆盖层作为地面实
2021-10-23 21:13:20
286KB
1
梯度集中TensorFlow
这个Python套件在TensorFlow中实现了梯度集中，这是Yong等人建议的一种简单有效的针对深度神经网络的优化技术。 。 它既可以加速训练过程，又可以提高DNN的最终泛化性能。
安装
运行以下命令进行安装：
pip install gradient-centralization-tf
用法
为指定的优化器创建集中式渐变函数。
参数：
optimizer ：一个tf.keras.optimizers.Optimizer object 。 您正在使用的优化程序。
例子：
>> > opt = tf . keras . optimizers . Adam ( learning_rate = 0.1 )
>> > optimizer . get_gradients = gctf . centralized_gradients_for_optimize
2021-10-23 17:29:24
224KB
1
草图简化的示例结果。 图片由Eisaku （ ）拥有版权，并且仅允许用于非商业研究用途。
总览
该代码提供了研究论文中使用的预训练模型：
"Learning to Simplify: Fully Convolutional Networks for Rough Sketch Cleanup"
Edgar Simo-Serra*, Satoshi Iizuka*, Kazuma Sasaki, Hiroshi Ishikawa (* equal contribution)
ACM Transactions on Graphics (SIGGRAPH), 2016
和
2021-10-23 16:37:21
2.22MB
1
Keras图注意力网络
已淘汰
GAT的此实现不再得到积极维护，可能无法与Tensorflow和Keras的现代版本一起使用。 查看及其，以了解的Tensorflow / Keras实现。
这是Veličković等人的图注意力网络（GAT）模型的Keras实现。 （2017， ）。
致谢
我与本文的作者没有任何隶属关系，出于非商业原因，我正在实施此代码。 作者发布了他们的，因此请检查一下以确保可以按预期工作。 它们的实现与我的实现略有不同，因此可能需要牢记。 如果您使用以下任何代码进行研究，则应引用该论文：
@article{
velickovic2018graph,
title="{Graph Attention Networks}",
author={Veli{\v{c}}kovi{\'{c}}, Petar and Cucurull, Guillem and Ca
2021-10-23 16:32:08
5.07MB
1