DDSP：差分数字信号处理演示|德州仪器TI.com.cn
教程|
博客文章|
概述|
安装DDSP是常用DSP功能（例如合成器，波形处理器和滤波器）的可区分版本的库DDSP：可区分数字信号处理演示|教程|博客文章|概述|安装DDSP是常用DSP功能（例如（如合成器，波形处理器和滤波器）。这允许将这些可解释的元素用作深度学习模型的一部分，尤其是用作音频生成的输出层。及其依赖性DDSP模块ca
2021-10-11 21:23:48
269KB
1
演示代码（请参阅jupyter笔记本）：
使用深度卷积自动编码器对地震信号进行非监督（自我监督）区分
您可以从这里获取论文：
连结1：
连结2：
您可以从此处获取训练数据集：
参考：
Mousavi, S. M., W. Zhu, W. Ellsworth, G. Beroza (2019).
Unsupervised Clustering of Seismic Signals Using Deep Convolutional Autoencoders,
IEEE Geoscience and Remote Sensing Letters, 1 - 5, doi:10.1109/LGRS.2019.2909218.
2021-10-11 21:13:41
15.17MB
1
恶意软件分类器
这是恶意软件分类研究的代码库。 所有深度学习模型都是使用Python 3.6+和PyTorch 1.9实现的。
点击查看研究详情
数据
源数据是由恶意软件动态分析系统生成的json报告。 对数据进行了分析，以提取有关恶意样本的最有用信息。 分析的结果是，选择了3698个特征，并将在此基础上进行进一步的分类。 因此，为恶意软件的每个实例分配了一个尺寸为3698的二进制特征向量，该特征向量的标签是卡巴斯基反病毒软件进行分类的结果。 该数据库包含来自8种不同类型的恶意软件的大约10,000个带标签的样本和大约14,000个未带标签的样本。
数据可视化
尺寸为3698的规格化矢量表示为大小为61×61（61≈√3698）的RGB图像，其中，每个像素的颜色由相应特征的值设置。
自动编码器
在未标记的数据上训练了一个潜在空间尺寸为200的自动编码器模型，以便使用预训练的编码器对恶意软
2021-10-11 20:33:39
10.17MB
1
持续学习
这是以下论文中描述的持续学习实验的PyTorch实现：
三种持续学习的方案（）
具有反馈连接的生成性重放是持续学习的通用策略（）
要求
当前版本的代码已经过测试：
pytorch 1.1.0
torchvision 0.2.2
运行实验
可以使用main.py运行单个实验。 主要选项有：
--experiment ：哪个任务协议？ （ splitMNIST | permMNIST ）
--scenario ：根据哪种情况？ （ task | domain | class ）
--tasks ：多少个任务？
要运行特定方法，请使用以下命令：
上下文相关门（XdG）：
2021-10-11 10:46:00
68KB
1
PyTorch VAE
在pytorch中实现的变体自动编码器（VAE）的集合，着重于可重复性。 该项目的目的是为其中许多很酷的VAE模型提供一个快速简单的工作示例。 所有模型都在上进行了训练，以一致性和比较性。 所有模型的架构在相同的层上都保持尽可能相似，除非原始论文需要根本不同的架构（例如，VQ VAE使用残差层，不使用批处理规范，这与其他模型不同）。 这是每个模型的。
要求
Python> = 3.5
PyTorch> = 1.3
Pytorch Lightning> = 0.6.0（ ）
启用CUDA的计算设备
安装
$ git clone https://github.co
2021-10-10 15:20:18
31.55MB
1
교과서3판
2019년5月출간，출판사
Se Se Se（Sebastian Raschka）미자리리리（Vahid Mirjalili）셀러베트스베셀러“ ” 。
주세요이나오류가있다블면이그블로그블로 알려주세요주세요주세요주세요 주세요주세요주세요
교과서1저장소는다음과다（1판이판에다2）。
노트북
도움말은 에장의장의 을을 하세요。
open_dir 폴더로이동합니다。 또는 ipynb 바로바있습니다있습니다。 nbviewer 뷰어로뷰어링크입니다。 colab （Colab）링크입니다。
[이터에서배운다[] [ ] [ ] [ ]
open
2021-10-10 14:42:23
195.46MB
1
不断学习的增量学习者
存储我在博士学位论文（2019-）期间完成的所有公共作品的存储库。
您可以在其中找到已知的实现（iCaRL等），也可以找到我的所有论文。 您可以在我的找到后者的列表。
结构体
每个模型都必须继承inclearn.models.base.IncrementalLearner 。
PODNet：用于小任务增量学习的合并输出提炼
]
如果您在研究中使用本文/代码，请考虑引用我们：
@inproceedings{douillard2020podnet,
title={PODNet: Pooled Outputs Distillation for Small-Tasks Incremental Learning},
author={Douillard, Arthur and Cord, Matthieu and Ollion, Charles and R
2021-10-10 11:04:38
4.93MB
1
国防科技大学郭裕兰老师课题组新出的这篇论文对近几年点云深度学习方法进行了全面综述，是第一篇全面涵盖多个重要点云相关任务的深度学习方法的综述论文，包括三维形状分类、三维目标检测与跟踪、三维点云分割等，并对点云深度学习的机制和策略进行全面的归纳和解读，帮助读者更好地了解当前的研究现状和思路。
2021-10-10 10:28:33
1.41MB
1
SupContrast：有监督的对比学习本文档以CIFAR为例说明了PyTorch中以下论文的参考实现：（1）有监督的对比学习。
论文（2）一个简单的Fr SupContrast：有监督的对比学习本文档以CIFAR为例说明了PyTorch中以下论文的参考实现：（1）有监督的对比学习。
论文（2）视觉表示对比学习的简单框架。
纸张损失功能loss.py中的损失函数SupConLoss以要素（L2标准化）和标签为输入，并返回损失。
如果标签为None或未传递给它，则它会退化为SimCLR。
用法
2021-10-10 09:42:30
1.44MB
1
PWC-Net：使用金字塔，翘曲和成本量的光流量CNN PWC-Net：使用金字塔，翘曲和成本量的光流量CNN版权所有（C）2018 NVIDIA Corporation。
版权所有。
根据CC BY-NC-SA 4.0许可（https://creativecommons.org/licenses/by-nc-sa/4.0/legalcode）获得许可。
用法对于Caffe用户，请参阅Caffe / README.md。
对于PyTorch用户，请参阅PyTorch / README.md。PyTorch实现几乎与Caffe实现匹配（Sintel训练集最后一次通过时的平均EPE：2.31，由Pytorc提供）
2021-10-09 21:51:02
212.38MB
1