这是头盔图片和xml文件的数据集，里面包含975张图片和数据集，可以用来训练深度学习模型，用pytorch-yolo4模型训练基本上可以达到百分之90以上的识别度，可以达到半商业化程度。

segmentation_models_pytorch是一款非常优秀的图像分割库，albumentations 是一款非常优秀的图像增强库，这篇文章将这两款优秀结合起来实现多类别的图像分割算法。数据集选用CamVid数据集，类别有：'sky', 'building', 'pole', 'road', 'pavement','tree', 'signsymbol', 'fence', 'car','pedestrian', 'bicyclist', 'unlabelled'等12个类别。数据量不大，下载地址：[mirrors / alexgkendall / segnet-tutorial · GitCode](https://gitcode.net/mirrors/alexgkendall/segnet-tutorial?utm_source=csdn_github_accelerator)。 通过这篇文章，你可以学习到： 1、如何在图像分割使用albumentations 增强算法？ 2、如何使用dice_loss和cross_entropy_loss？

LeNet的pytorch实现，包括MNIST和FashionMNIST两种数据集

基于Pytorch实现的EcapaTdnn声纹识别大模型（melspectrogram），这个模型使用的梅尔谱图（melspectrogram） 源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-Pytorch

python的pytorch.whl和torchvision.whl（cpu版Windows64，python3.7和python3.8）

地面数字地面电视 图神经网络的联合目标检测和多目标跟踪 这是我们论文的官方PyTorch实施：“”。 我们的项目网站和视频演示都。 如果您认为我们的工作有用，请参考以下论文，我们将不胜感激： @article{Wang2020_GSDT, author = {Wang, Yongxin and Kitani, Kris and Weng, Xinshuo}, journal = {arXiv:2006.13164}, title = {{Joint Object Detection and Multi-Object Tracking with Graph Neural Networks}}, year = {2020} } 介绍 对象检测和数据关联是多对象跟踪（MOT）系统中的关键组件。 尽管这两个组件相互依赖，但先前的工作通常会分别设计检测和数据关联模块，并以不同的目标进行训

PyTorch implementation of 1712.06087 "Zero-Shot" Super-Resolution using Deep Internal Learning

CLAS-pytorch（未完成的） 这是“从外观形状共同学习超声心动图的时空一致分割”的正式实施（MICCAI 2020年初接受，口服） 数据集/挑战 方法（CLAS） 结果（SOTA） 的时间一致性可视化 心脏（心内膜，心外膜，和左心房）分割 方法 远藤 EPI 洛杉矶 ED阶段 骰子 高清 疯狂的 骰子 高清 疯狂的 骰子 高清 疯狂的 0.936 5.3 1.7 0.956 5.2 1.7 0.889 5.7 2.2 0.936 5.6 1.7 0.953 5.9 1.9 0.881 6.0 2.3 克拉斯 0.947 4.6 1.4 0.961 4.8 1.5 0.902 5.2 1.9 ES阶段 骰子 高清 疯狂的 骰子 高清 疯狂的 骰子 高清 疯狂的 0.912 5.5 1.7 0.946 5.7

基于Pytorch实现的EcapaTdnn声纹识别大模型（spectrogram），这个模型使用的声谱图（spectrogram） 源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-Pytorch

pytorch中的深度Q-Learning网络