用于识别花卉分类的AI应用程序 图像分类器使用卷积神经网络识别不同种类的花朵。 展望未来，人工智能算法将被整合到越来越多的日常应用中。 例如，您可能想在智能手机应用程序中包含图像分类器。 为此，您将使用在数十万张图像上训练的深度学习模型，作为整个应用程序体系结构的一部分。 将来，软件开发中的很大一部分将使用这些类型的模型作为应用程序的通用部分。 在这个项目中，我们将训练一个图像分类器来识别不同种类的花。 您可以想象在电话应用程序中使用类似的内容，该名称可以告诉您相机正在查看的花朵的名称。 实际上，我们将训练该分类器，然后将其导出以用于我们的应用程序。 我们将使用包含102种花卉类别的，您可以在下面看到一些示例。 我们在这里需要做的主要事情是： 加载并预处理图像数据集 在数据集上训练图像分类器 使用训练有素的分类器来预测图像内容 所有这些任务最初都在jupyter笔记本中涵盖。 除了

DENSO BHT-BASIC 4.0

半监督转移学习的自适应一致性正则化 该存储库用于以下论文中介绍的自适应知识一致性和自适应表示表示一致性： Abulikemu Abuduweili，Li Xingjian Li，Humphrey Shi，徐成中和Dou Dedou，“半监督转移学习的自适应一致性正则化”。 该代码是在具有Tesla V100 GPU的CentOS 6.3环境（Python 3.6，PyTorch 1.1，CUDA 9.0）上开发的。 内容 介绍 在这项工作中，我们考虑半监督学习和转移学习的结合，从而导致一种更实用和更具竞争力的范例，该范例可以利用源域中强大的预训练模型以及目标域中的带标签/未带标签的数据。 为了更好地利用预训练权重和未标记目标示例的价值，我们引入了自适应一致性正则化，它由两个互补组成部分：源模型和目标模型之间（（标记和未标记）示例上的自适应知识一致性（AKC）；以及目标模型上带标签和未

迁移学习（Transfer Learning）是一种机器学习方法，是把一个领域（即源领域）的知识，迁移到另外一个领域（即目标领域），使得目标领域能够取得更好的学习效果。

这项工作包括 8 个不同版本的二元粒子群优化 (BPSO) 算法。 其中六个使用新的传递函数，分为两个系列：s 形和 v 形。 表现出最高性能的 V4（在 BPSO8 中）传递函数称为 VPSO，强烈建议使用。 主要论文：S. Mirjalili 和 A. Lewis，“二元粒子群优化的 S 形与 V 形传递函数”，Swarm 和进化计算，第一卷。 9, pp. 1-14, 2013. 链接： http : //www.sciencedirect.com/science/article/pii/S2210650212000648 我有很多这方面的相关课程。 您可以通过以下链接注册，享受 95% 的折扣： ****************************************************** *************************************

此数据集主要用来测试Transfer Component Analysis（TCA）算法.

这是论文的开源实现：Erik Reinhard、Michael Ashikhmin、Bruce Gooch 和 Peter Shirley，“图像之间的颜色转移”，IEEE CG&A 应用感知特刊，第 21 卷，第 5 期，第 34-41 页，9 月 - 2001 年 10 月八度兼容！

在PyTorch上进行深度转移学习 这是用于深度迁移学习的PyTorch库。 我们将代码分为两个方面：单源无监督域自适应（SUDA）和多源无监督域自适应（MUDA）。 SUDA方法很多，但是我发现有一些深度学习的MUDA方法。 此外，具有深度学习的MUDA可能是领域适应性更广阔的方向。 在这里，我实现了一些深度传输方法，如下所示： UDA DDC：针对领域不变性的深度领域混淆最大化 DAN：通过深度适应网络学习可转让特性（ICML2015） Deep Coral：用于深域适应的Deep CORAL相关对齐（ECCV2016） Revgrad：通过反向传播进行无监督域自适应（ICML2015） MRAN：用于跨域图像分类的多表示自适应网络（Neural Network 2019） DSAN：用于图像分类的深度子域适配网络（神经网络和学习系统2020的IEEE交易） 慕达对齐特

超分辨率matlab代码小波域样式转移在单图像超分辨率中实现有效的感知失真权衡 ICCV 2019口头报告可以从以下链接下载不同数据集的结果： 这是ICCV论文“在单图像超分辨率中有效实现感知失真权衡的小波域样式转换”的实现。 第一步，您需要运行SWT.m来生成LL子带和六个高频子带。 第二步，请将上面生成的高频子带分别复制到Content和Style文件中，然后运行command.sh进行小波域风格传输。 可以从下载VGG文件，然后将其放在pre-trained_model文件中。 在第三步骤中，通过VDSR网络进一步增强了在第一步骤中生成的LL子带。 注意，需要针对不同的小波滤波器对网络进行重新训练。 所提供的模型仅适用于哈尔过滤器。 在第四步中，通过运行ISWT.m，使用逆SWT将生成的LL和高频子带重新组合为图像。 样式传送软件代码基于进行了修改。 NRQM分数是使用PIRM挑战提供的matlab代码计算的。

转移学习进行故障诊断 迁移学习故障诊断深度神经网络 该存储库用于转移学习或具有故障诊断的领域自适应。 论文如下： 引文 如果您使用此代码和数据集进行研究，请考虑引用： @inproceedings{zhang2019domain, title={Domain Adaptation with Multilayer Adversarial Learning for Fault Diagnosis of Gearbox under Multiple Operating Conditions}, author={Zhang, Ming and Lu, Weining and Yang, Jun and Wang, Duo and Bin, Liang}, booktitle={2019 Prognostics and System Health Management Confere