当音乐遇上AI | | TF的官方实施文件：“样式条件音乐生成” ICME 2020（口头） 2020年3月18日发行。 描述 这是与音乐系（马来亚大学）合作的作品。 它对“变奏自动编码器”（VAE）的原始公式进行了改进，使用户可以调节由模型生成的音乐的创作风格。 在我们的实验中，我们在巴赫合唱（JSB）和西方民间音乐（NMD）上训练了我们的模型。 在生成时，用户可以指定模型来生成巴赫或民乐风格的音乐。 实验中使用的数据集可以从 ， 和下载。 好奇我们的模型产生的音乐听起来如何？ 随时访问并留下您的反馈。 依存关系 的Python 3.6.8 张量流（gpu）1.15.0 张量流概率0.8.0 漂亮的midi 0.2.8 在Ubuntu 16.04上测试。 运行代码 设置 检查数据集文件夹中的dataset.py ，并为MIDI文件放入正确的文件夹路径。 根据需要更改火车/

研究 发布基于飞轮的前沿研究工作，包括CV，NLP，KG，STDM等领域的顶会论文和比赛冠军模型。 目录 计算机视觉 任务类型 目录 简介 论文链接 图像检索 基于GNN的快速图像检索。 车流统计 AICITY2020车流统计竞赛数据集A TOP1方案。 -- 车辆再识别 给定目标车辆，在检索库中检索同id车辆，支持多种特征子网络。 -- 车辆异常检测 在监控视频中检测车辆异常情况，例如车辆碰撞，失速等。 -- 医学图像分析 任务：在AS-OCT图像的公共数据集上进行闭角类型分类和巩膜突点定位；相应模型：对应以上各任务的替代模型。 -- 光流估计 基于金字塔式处理，逐层学习细部光流，设计代价容量函数三原则的CNN模型，用于光流估计。 语义分割 针对多个数据集的图像语义分割模型的实现，包括Cityscapes，Pascal Context和ADE20K。 -- 轻量化检测 百度之星轻量化检测比赛评估工具。 -- 地标检索与识别 基于检索的地标检索与识别系统，支持地标型与非地标型识别，识别与检索结果相结合的多重识别结果投票和重新排序。 图像分类 模型利用重定义网络（URNet）

DeepGCN：GCN可以像CNN一样深入吗？ 在这项工作中，我们提出了成功训练非常深的GCN的新方法。 我们从CNN借用概念，主要是残差/密集连接和膨胀卷积，然后将其适应GCN架构。 通过广泛的实验，我们证明了这些深层GCN框架的积极作用。 概述 我们进行了广泛的实验，以展示不同的组件（＃Layers，＃Filters，＃Nearest Neighbors，Dilation等）如何影响DeepGCNs 。 我们还提供了针对不同类型的深层GCN（MRGCN，EdgeConv，GraphSage和GIN）的消融研究。 进一步的信息和详细信息，请联系和 。 要求 （仅用于可视化） （仅用于可视化） conda环境 为了设置运行所有必要依赖项的conda环境， conda env create -f environment.yml 入门 您将在文件夹中找到有关如何使用我们的代码对3

文本检测和识别综述论文

增强学习 经典算法 A3C 论文摘要： We propose a conceptually simple and lightweight framework for deep reinforcement learning that uses asynchronous gradient descent for optimization of deep neural network controllers. We present asynchronous variants of four standard reinforcement learning algorithms and show that parallel actor-learners have a stabilizing effect on training allowing all four methods to successfully train neural network controllers. The best performing method, an asynchronous variant of actor-critic, surpasses the current state-of-the-art on the Atari domain while training for half the time on a single multi-core CPU instead of a GPU. Furthermore, we show that asynchronous actor-critic succeeds on a wide variety of continuous motor control problems as well as on a new task of navigating random 3D mazes using a visual input.

PPO-RND 通过在 Tensorflow 2 和 Pytorch 中使用近端策略优化和随机网络蒸馏来演示深度强化学习的简单代码 版本 2 和其他进展 版本 2 将带来代码质量和性能的改进。 我重构了代码，以便它遵循 OpenAI 基线上 PPO 实现中的算法。 我还使用了称为 Truly PPO 的更新版本的 PPO，它比 OpenAI 的 PPO 具有更高的样本效率和性能。 目前，我专注于如何在更困难的环境（Atari 游戏、MuJoCo 等）中实施这个项目。 使用 Pytorch 和 Tensorflow 2 清理代码 使用真正的 PPO 添加更复杂的环境 添加更多说明 入门 该项目使用 Pytorch 和 Tensorflow 2 作为深度学习框架，使用 Gym 作为强化学习环境。 虽然不是必需的，但我建议在具有 GPU 和 8 GB 内存的 PC 上运行此项目 先决

用PyTorch编写的Pointnet2 / Pointnet ++的实现。 Pointnet2 / Pointnet ++ PyTorch用PyTorch编写的Pointnet2 / Pointnet ++的实现。 通过nn.DataParallel支持多GPU。 支持PyTorch版本> = 1.0.0。 使用v1.0支持较旧版本的PyTorch。 有关正式的模型定义和超参数，请参见本文的官方代码发布（以tensorflow格式），charlesq34 / pointnet2。 使用CUDA的GPU当前仅支持Pointnet ++使用的自定义操作。 设置安装python-此仓库已通过{3.6，3.7}进行了测试

用于nGraph的HE变压器 该项目已移至 用于nGraph:trade_mark:的是同构加密（HE）后端，是（英特尔用于人工神经网络的图形编译器）的后端。 同态加密是一种加密形式，它允许对加密的数据进行计算，并且是在机器学习领域中对数据保密性日益增加的关注的一种有吸引力的补救措施。 有关更多信息，请参见我们的。 我们的展示了他变压器的许多最新进展。 该项目旨在作为概念证明，证明HE在本地计算机上的可行性。 目的是衡量用于深度学习的各种HE方案的性能。 这并不是要用于生产就绪的产品，而是一种研究工具。 当前，我们支持加密方案，该方案由Microsoft Research的。 此外，我们还与的集成，以允许用户通过Tensorflow在经过训练的神经网络上运行推理。 例子 文件夹包含一个深度学习示例，该示例依赖于的。 建筑HE变压器 依存关系 操作系统：Ubuntu 16.04，Ubuntu 18.04。 CMake的> = 3.12 编译器：g ++版本> = 6.0，clang> = 5.0 强烈建议使用OpenMP，尽管并非绝对必要。 如果没有OpenMP，您可能会

免责声明 没有积极维护该存储库。 这是一篇硕士论文的结果，如果有人想复制论文的结果，可以将该代码作为参考。 鸟类种类分类 这些是在Chalmers University of Technology进行的硕士学位论文的项目文件。 该项目的目的是通过使用深度残差神经网络，多宽度频率增量数据增强和元数据融合来构建和训练鸟类分类器，从而改进最先进的鸟类分类器。带有相应物种标签的鸟类歌曲数据。 如果该资料库对您的研究有用，请引用硕士论文。 设置 $ git clone https://github.com/johnmartinsson/bird-species-classification $ virtualenv -p /usr/bin/python3.6 venv $ source venv/bin/activate (venv)$ pip install -r requirements.txt

深度学习模型转换器：针对不同深度学习框架软件的深度学习模型的转换器转换