用于语义图像分割的CRF-RNN-PyTorch版本 现场演示： ： Caffe版本： ： Tensorflow / Keras版本： ：//github.com/sadeepj/crfasrnn_keras 该存储库包含“ CRF-RNN”语义图像分割方法的官方PyTorch实现，该方法在ICCV 2015论文《。 该项目的在2015 ICCV上获得了最佳演示奖。此PyTorch代码的结果与上述基于Caffe和Tensorflow / Keras的版本相同。 如果您使用此代码/模型进行研究，请引用以下论文： @inproceedings{crfasrnn_ICCV2015, author = {Shuai Zheng and Sadeep Jayasumana and Bernardino Romera-Paredes and Vibhav Vineet and

张量流和pytorch中的变体自动编码器 TensorFlow和PyTorch中可变自动编码器的参考实现。 我建议使用PyTorch版本。 它包括一个更具表达性的变分族的例子，。 变分推断用于使模型适合二值化MNIST手写数字图像。 推理网络（编码器）用于分摊推理并在数据点之间共享参数。 可能性通过生成网络（解码器）进行参数化。 博客文章： ： 具有重要性采样的示例输出，用于估计Hugo Larochelle的Binary MNIST数据集上的边际可能性。 测试集为-97.10边缘可能性。 $ python train_variational_autoencoder_pytor

用于非时间实时火灾检测的实验定义的卷积神经网络体系结构变体 [及后续工作：用于非时间实时火灾检测的紧凑型卷积神经网络体系结构的实验探索] 使用Python 3.7.x， ， 和（需要opencv额外模块-用于超像素分割的ximgproc模块） 架构： FireNet体系结构（以上） InceptionV1-OnFire架构（以上） InceptionV3-OnFire架构（以上） InceptionV4-OnFire架构（以上） 抽象： “在这项工作中，我们研究了在实时范围内自动检测视频（或静态）图像中火灾像素区域的方法，而无需依赖于时域场景信息。作为对该领域先前工作的扩展，我们考虑了

NanoDet 超快速，轻量的无锚物体检测模型。 在移动设备上实时。 :high_voltage: 超轻量级：模型文件只有1.8 MB。 :high_voltage: 超快：移动ARM CPU上97fps（10.23ms）。 :smiling_face_with_sunglasses: 易于培训：GPU内存成本比其他型号低得多。 GTX1060 6G上可使用批处理大小= 80。 :smiling_face_with_sunglasses: 易于部署：基于ncnn推理框架提供C ++实现和Android演示。 消息！！！ [2021.03.12]将变压器编码器应用于NanoDet！ 引入NanoDet-t ，用TAN（变压器关注网络）替代NanoDet-m中的PAN，在COCO val 2017上获得21.7 mAP（+1.1）。有关更多详细信息，请检查 。 [2021.03.03]更新了Nanodet-m-416 COCO预训练模型。 可可mAP（0.5：0.95）= 23.5 。 在下载。 [2021.02.03]支持和主干。 请检查。

人脸识别论文，手动翻译，花费两天时间希望可以帮助到大家 DeepID3: Face Recognition with Very Deep Neural Networks Yi Sun1 Ding Liang2 Xiaogang Wang3,4 Xiaoou Tang1,4

Multi-column Deep Neural Networks for Image Classification

深度学习示例 使用 Python 进行深度学习示例。 要求 numpy==1.18.5 scipy==1.5.2 tensorflow==2.2.0 pandas==1.0.5 matplotlib==3.2.2 scikit_learn==0.23.2 谷歌合作实验室 您可以在 Colab 上运行笔记本： 示例列表 数据集 任务 神经网络结构/细胞类型 回归 稠密 分类 稠密 图像分类 卷积 文本分类 循环，双向循环 时间序列预测 格鲁乌 异常检测 香草自动编码器，变体自动编码器 我的另一个存储库中的示例 数据集 笔记本 任务 神经网络结构 - 图像分类 - 医学诊断 卷积神经网络 资源 https://keras.io/examples/

适用于Windows和Linux的Yolo v4，v3和v2 （用于物体检测的神经网络） YOLO v4纸： : Paper Scaled ： ： 用于重现结果： 有关媒体的文章中的更多详细信息： 手册： ： 讨论： 关于Darknet框架： : AP50：95-FPS（Tesla V100）论文： ： AP50：95 / AP50-FPS（Tesla V100）论文： ： tkDNN-TensorRT将批处理= 1的YOLOv4加速约2倍，将批处理= 4的YOLOv4加速3倍-4倍。 tkDNN： ： OpenCV： : GeForce RTX 2080 Ti： 网络规模 暗网，FPS（平均） tkDNN TensorRT FP32，FPS tkDNN TensorRT FP16，FPS OpenCV FP16，FPS tkD

ResneXt网络论文

ISSCC2021_Session_15V_Compute-in-Memory Processors for Deep Neural Networks.pdf