植物苗种分类 域背景 图像分类已成为机器学习和深度学习可以解决的最重要问题之一。 在这个项目中，我将使用kaggle竞赛的数据集之一，该数据集包含大约960种独特植物的图像，这些植物在多个生长阶段属于12个物种。它包含带注释的RGB图像，其物理分辨率约为每毫米10像素。 奥尔胡斯大学信号处理小组工程系已上传此数据集，以使其具有更大的曝光范围，从而为社区提供了尝试不同图像识别技术的机会，并提供了一个可以相互授粉的思想场所。 在南丹麦大学和奥尔胡斯大学的合作下，该数据库已在奥尔胡斯大学Flakkebjerg研究站进行了记录。 您可以在此处找到数据集，该数据集具有1.7 G的训练集（无节段的单株植物），这里的问题是杂草幼苗很像农作物幼苗，我们的目标是能够使用机器学习和深度学习技术来区分它们。 你可以找到项目报告 安装 他的项目需要Python 3.5或更高版本，并安装了以下Python库：

深度模仿学习的语用观察 模仿学习算法（使用PPO ）： 美国广播公司 AIRL 公元前 钻头 童话 盖尔 GMMIL nn-PUGAIL PWIL 红色 python main.py --imitation [AIRL|BC|DRIL|FAIRL|GAIL|GMMIL|PUGAIL|RED] 选项包括： 仅状态模仿学习： --state-only 吸收状态指示器 --absorbing R1梯度正则化 ：-- --r1-reg-coeff 1 （默认值） 结果 PPO 火车 测试 航空 火车 测试 公元前 火车 测试 钻头 火车 测试 公平 火车 测试 盖尔 火车 测试 吉米 火车 测试 nn-PUGAIL 火车 测试 红色的 火车 测试 致谢 @ikostrikov （ https://github.com/ikostrikov

使用OpenVINO进行面罩检测 细节 程式语言： 英特尔OpenVINO工具套件： Docker（预装了Ubuntu OpenVINO）： 使用的硬件： 英特尔:registered:酷睿TM i7-8750H CPU @ 2.20GHz 设备： 中央处理器 博客文章 参观者 面罩检测应用程序使用深度学习/机器学习来识别用户是否未佩戴口罩并发出警报。 通过使用经过预训练的模型和带有OpenCV英特尔OpenVINO工具包。 这使我们能够使用异步API，该API可以提高应用程序的总体帧速率，而不必等待推理完成，而是可以在加速器繁忙时继续在主机上运行应用程序。 此应用程序对同时运行的“面部遮罩检测”和“面部检测”网络执行2个并行推理请求。 使用以下一组预训练的模型： ，这是用于查找人脸的主要检测网络。 面罩检测，这是用于检测面罩的预训练模型。 可以改进此应用程序，然后将其与CCTV或其他类型的摄像机集成在一起，以检测和识别在购物中心等公共场所没有面具的人。在全球范围内，这种数量不断增长的COVID-19案例在控制应用中可能很有用。病毒传播。 什么是Open

pyretri 胡本义，宋仁杰，魏秀深*，姚亚舟，华贤生，刘跃虎 通讯作者： 介绍 PyRetri（发音为[ˈperɪˈtriː]）是基于PyTorch构建的基于深度学习的统一无监督图像检索工具箱，专为研究人员和工程师设计。 主要特点 PyRetri是一个基于通用深度学习的无监督图像检索工具箱，其设计着眼于简单性和灵活性。 模块化设计：我们将基于深度学习的无监督图像检索分解为多个阶段，用户可以通过选择和组合不同的模块轻松构建图像检索管道。 灵活的加载：工具箱能够适应多种类型的模型参数的加载，包括具有相同键和形状的参数，具有不同键的参数以及具有相同键但形状不同的参数。 多种方法的支持：该

Deep Learning for EEG-Based Preference论文原文。在期刊官网也可以免费下载，为方便大家查看上传至此。稍后出一篇关于这篇文献的精读导读。

matlab精度检验代码用MATLAB进行神经网络和深度学习 我是深度学习的初学者，我发现Michael Nielsen的在线电子书很棒！ 同时，我是具有10年经验的MATLABer 。 在这个项目中，我将重写Michael使用MATLAB在Python中所做的工作。 我这样做的一部分是摘录Michael的书，另一部分是让其他MATLAB用户阅读和欣赏本书。 档案内容 nnet.m ：对应于network.py nneto.m ： nnet.m的另一个矢量化版本，不对应于Michael的书中的任何代码。 但是迈克尔确实评论了与network.py进一步向量化有关的内容 test_nnet_MNIST.mlx ：这是包含实时输出的MATLAB实时脚本。 使用与迈克尔在书中说明的配置相同的配置。 即净尺寸[784、30、10]这大约需要600秒才能完成30个纪元 __NNET_MNIST_README_20190118.txt ： test_nnet_MNIST.mlx中显示的结果的可读版本。 请注意，它们来自不同的试验，因此不完全相同 test_nneto_MNIST.mlx ：再次运行

诸如TorchIO之类的工具是使用深度学习技术的医学AI研究成熟的征兆。 政策总监Jack Clark（）。 包 文件 建立 覆盖范围 码 笔记本电脑 社会的 原版的 （参加） TorchIO是一个Python软件包，其中包含一组工具，可在用编写的深度学习应用程序中有效读取，预处理，采样，增强和写入3D医学图像，包括用于数据增强和预处理的强度和空间变换。 变换包括典型的计算机视觉操作，例如随机仿射变换，以及特定领域的操作，例如，由于或像而引起的强度伪像的仿真。 该软件包受到NiftyNet的极大启发，NiftyNet。 学分 如果您喜欢此存储库，请单击“星号”！ 如果您使用此软件包进行研究，请引用以下文章： BibTeX条目： @article { perez-garcia_torchio_2020 , title = { {TorchIO}: a {Python} library for efficient loading, preprocessing, augmentation and patch-based sampling of medi

good learning with this book

Traffic_Sign_detection 完成交通标志的识别分类（基于GTSBR数据），测试数据集上达到98.84%的准确率 检测部分的特征提取层包含YoloV2,yoloV2Tiny,yoloV3,MobileNet,SqueezeNet,ShuffleNet,And a Structure deSign by me:S-MobileNet 分类和检测的训练测试详情见:classify/readme.md detection/readme.md 需要weights详见： --- 2018.06.15本科毕设答辩结束，该repo不再更新（也许还会再去做一下，毕竟这个repo确实比较dirty）

DBCNN：使用深双线性卷积神经网络进行盲图像质量评估