社会距离检测 作者：Gabriel Deza，Danial Hasan，Mengyu Yang（CSC420团队GDM） 社交距离检测管道，可从固定的摄像机镜头自动检测社交距离违例。 我们的方法考虑到了“社会泡沫”，其中由家庭，夫妇等组成的群体未被归类为侵犯行为。 数据集 购物中心和市中心数据集： : usp UCSD行人数据集： ： LSTN复旦-上海科技数据集： : 存储库中包括UCSD和LSTN数据集，但提供了链接以供参考。 牛津镇中心数据集太大，因此必须下载。 用法 完整的管道包括以下步骤： 1.目标检测此步骤包括使用对象检测模型从原始摄像机镜头中检测人。 此步骤的输出是每个帧中每个检测到的人周围的边界框。 2.跟踪（中心或光流） 一旦在视频的每个帧中检测到人，我们就会应用算法来跟踪每个唯一的人在连续帧之间的运动。 3.分组现在我们知道了每个人在整个视频

灾难鸣叫检测器 项目概况 该项目是Kaggle挑战。 在紧急时刻，Twitter已成为重要的沟通渠道。 由于Twitter提供近乎实时的信息，因此第一响应者越来越多地对其进行监视。 但是他们可能会面临困难，很难清楚地确定一个人是否正在宣布灾难。 使用包含隐喻的许多推文，这项任务可能很棘手。 我基于监督学习构建了一个解决方案，可以识别一条推文是否与真正的灾难有关。 这可以帮助紧急服务自动监视Twitter，以更好地检测灾难。 Github资料库 该存储库包含3个脚本： eda.y ：对“关键字”和“位置”特征的探索性分析，以分析与灾难发生的可能关联。 preprocessing.py ：一系列推文清洁和预处理 modelling.py ：推文矢量化（TF-IDF）和二进制分类模型（多项朴素贝叶斯） 探索性数据分析 我想弄清楚我们是否可以利用模型中的“位置”和“关键字”列。 关键字分

Python_COS 编码专家的准备

着色_GAN 使用条件生成对抗网络进行灰度图像着色。 这是DCGAN的PyTorch实现，如论文“中所述 先决条件 Python 3.6 火炬 方法 在传统GAN中，发生器的输入是随机产生的噪声数据z。 但是，由于其输入的性质，该方法不适用于自动着色问题。 必须修改发生器，以接受灰度图像作为输入而不是噪声。 通过使用称为的GAN变体解决了此问题。 由于没有引入噪声，因此将生成器的输入视为零噪声，而将灰阶输入作为先验： 鉴别器从生成器和原始数据中获取彩色图像，并以灰度输入作为条件，并试图分辨出哪对包含真正的彩色图像： 网络架构 生成器的体系结构受U-Net的启发：模型的体系结构是对称的，具有n个编码单元和n个解码单元。 为了区分，我们使用类似的架构作为基线收缩路径。 数据集 我们使用CIFAR-10数据集。 要培养对fulldataset模式，下载数据集。 参考 使用GAN进行图像着

DNNGP 中Python的深度神经网络高斯过程的实现 包含一个演示MNIST培训和评估的Jupyter笔记本。 还添加了“近似”功能，可使用近似线性化内核。 关于此的更多细节将在以后 目前尚未针对速度进行优化，但更多用于实验。 也计划在Pytorch中实施

自然语言处理与灾难鸣叫Kaggle

该笔记欢迎star，不建议叉！因为经常更新 实战案例 实战一：MNIST数据集手写数字识别 实战二：猫狗识别 实战三：Google涂鸦识别挑战项目 实战四：LSTM实现新闻文本分类算法 实战五：变压器实现英译中机器翻译 实战六：Google涂鸦识别挑战项目（GPU分散训练） 实战七：花朵识别（TPU分散训练） 实战八：BERT实现文本匹配 实战九：tf.serving模型部署 其他（TODO） 推荐项目实战 MIND算法（提供Demo数据）TODO NLP项目实战 ESIM算法 CV项目识别 去做 参考资料

使用机器学习和深度学习并结合知识图嵌入的财务报表中的股票价格预测 几十年来，能够预测单个公司的股价一直是投资者的目标。 公司的股价受许多因素影响。 这些因素包括新闻，当前的政治气候和经济状况。 但是，鉴于成功进行预测可能获得的回报，许多人都试图开发模型来精确地做到这一点。 与股票价格预测有关的许多文献都集中在趋势（价格上涨或下跌）和价格（例如几天之内或两天之间的价格变化）的短期预测中。 该项目研究了机器学习，深度学习和知识图嵌入的使用，以发现在美国证券交易所上市的公司的财务业绩与其股价之间的关系。 具体来说，这项工作涉及尝试从财务报表中生成价格预测，以及预测每个公司的年度10K报告之间单个公司股票价格变化的趋势和幅度。 这项工作为投资者提供了财务决策支持，也导致了新数据集的产生，其他研究人员可能会进一步探索。 存储库的结构如下： “数据”文件夹包含针对所研究的每个研究问题的预处理数据

聚集：聚集国家以寻找迫切需要援助的国家。 使用k均值，分层聚类

TartanAir数据集：用于同时定位和映射的AirSim仿真数据集 该存储库提供了用于访问培训和测试数据的示例代码和脚本，以及评估工具。 有关数据集的更多信息，请参考 。 您还可以在相关的上与贡献者联系。 该数据集用于训练第一个可推广的基于学习的视觉测距法 ，在挑战性情况下，该方法比基于几何的VO方法具有更好的性能。 请检查和已发布的。 下载培训数据 根据运动模式，数据分为两个级别（简单和困难）。 它组织在轨迹文件夹中。 您可以从具有不同数据类型（RGB，深度，分段，摄像机姿势和流）的不同摄像机（左或右）下载数据。 请参阅页面以获取相机的内在信息，外在信息和其他信息。 !! 注意：所有数据的大小最大为3TB！ 下载可能需要几天的时间。 我们还添加了直接在Azure上使用数据集而不需要下载的选项。 下载前，请选择您真正需要的数据类型。 您也可以转到下载示例文件，以更好地了解数据类型。