CAE模型 将压缩自动编码器（CAE）应用于来自USC-SIPI图像数据库的图像数据。 将压缩自动编码器（CAE）应用于来自USC-SIPI图像数据库的图像数据。 CAE模型来自 ，基于[1]。 这是一个正在进行的工作，模型的训练和模型本身是一个正在进行的工作 参考 [1]使用自动压缩编码器的有损图像压缩（ ）

基于三维卷积自动编码器的高光谱分类无监督空间光谱特征学习 通过，，，张治，，。 拟议框架 介绍 与传统的手工特征提取算法相比，使用深度神经网络（DNN）的特征学习技术表现出卓越的性能。 但是，DNN通常需要大量的训练样本来学习有效的特征，而在高光谱图像中很难获得有效的特征。 因此，在本文中，提出了一种使用三维卷积自动编码器（3D-CAE）的无监督空间光谱特征学习策略。 提出的3D-CAE仅包含3D或元素操作，例如3D卷积，3D池化和3D批处理归一化，以最大程度地探索空间光谱结构信息以进行特征提取。 还设计了一个配套的3D卷积解码器网络来重建输入模式，通过该模式，可以训练网络中涉及的所有参数而无需标记训练样本。 在多个基准高光谱数据集上的实验结果表明，我们提出的3D-CAE在提取空间光谱特征方面非常有效，不仅在传统的非监督特征提取算法方面表现出色，而且在分类应用中也优于许多监督特征提取算

这是墨尔本大学 AES/MathWorks/NIH 癫痫发作预测 ( https://www.kaggle.com/c/melbourne-university-seizure-prediction ) 的 MATLAB 解决方案。 它建立在使用神经网络工具箱中的自动编码器和神经网络的基础上。 压缩文件包含： 1. autoencoder_train.m, 使用自动编码器构建深度网络的脚本，如以下示例中所述： http : //www.mathworks.com/help/nnet/ug/construct-deep-network-using-autoencoders.html 。 在构建深度或堆叠网络后，深度网络将适应更多的训练数据。 2. autoencoder_test.m, 一个脚本，用于加载从训练数据构建的神经网络，并对验证和测试数据进行预测。

注重多元时间序列的LSTM自动编码器 该存储库包含用于多变量时间序列预测的自动编码器。 它具有描述的两种注意力机制，并且受启发。 下载和依赖项 要克隆存储库，请运行： git clone https://github.com/JulesBelveze/time-series-autoencoder.git 要安装所有必需的依赖项，请运行： pip install -r requirements.txt 用法 python main.py [-h] [--batch-size BATCH_SIZE] [--output-size OUTPUT_SIZE] [--label-col LABEL_COL] [--input-att INPUT_ATT] [--temporal-att TEMPORAL_ATT] [--seq-le

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.

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

使用自动编码器神经网络检测恶意URL 该存储库包含使用自动编码器神经网络检测恶意URL的代码源。 中提供了有关其工作原理的文章。 要构建和测试模型，可以运行： $ python train_and_test_urls_autoencoder.py 如果您想生成新的丰富数据，可以运行： $ python enrich_urls_data.py

用卷积滤波器matlab代码deephyp：针对高光谱的深度学习 用于训练和使用高光谱数据的无监督自动编码器和有监督深度学习分类器的工具。 可用文档。 源代码可在上找到。 自动编码器是无监督的神经网络，可用于一系列应用，例如无监督的特征学习和降维。 可以在带标签的数据上训练有监督的深度学习分类器，以预测光谱的类别。 该存储库提供了一个名为deephyp的基于python的工具箱，其中包含针对高光谱数据而构建，训练和测试密集和卷积自动编码器以及分类神经网络的示例。 网络易于设置，并且可以使用不同的体系结构进行自定义。 也可以采用不同的培训方法。 该工具箱基于tensorflow构建。 如果您在研究中使用工具箱，请引用：本文介绍了用于训练自动编码器的光谱角（SA），光谱信息散度（SID）和平方和误差（SSE）损失函数。 如果您在研究中使用余弦谱角（CSA）损失函数，请引用： 如果您在研究中使用分类网络，请引用： 安装 可以使用pip从命令行安装工具箱的： pip install deephyp 可以使用以下方法安装依赖项： pip install -r requirements.txt 导

带火炬的自动编码器去噪 众所周知，我们从相机拍摄的照片有时不适合处理。 在该项目中，在执行诸如文本检测之类的项目时，采取了必要的步骤以实现最大的效率。 此步骤是清除图像中的噪点。 在这个项目中使用了卷积神经网络和自动编码器。 玩的很开心。 嘈杂的图片和清晰的图片 结果

va 结点树变分自动编码器实现尝试 回购现在处于存档模式原始文件的工作源 我的叉子具有python3兼容性和一些性能改进