Deep Learning - Ian Goodfellow 英文清晰原版，官方网站http://www.deeplearningbook.org/，深度学习经典书籍，包含各种神经网络优化与深度学习领域的最新研究。低分分享，希望可以帮助到大家

Densefuse：红外和可见图像的融合方法-Tensorflow 吴小军* 发表于：IEEE图像处理事务 H. Li，XJ Wu，“ DenseFuse：红外和可见图像的融合方法”，IEEE Trans。 图像处理。 28号5月，第2614–2623页，5月。 2019。 笔记 在“ main.py”文件中，您将找到如何运行这些代码。 本文中使用的评估方法显示在“ analysis_MatLab”中。 这些方法是由MatLab实现的。 抽象的 在本文中，我们提出了一种针对红外和可见图像融合问题的新型深度学习架构。 与传统的卷积网络相比，我们的编码网络是由卷积神经网络层和密集块组合而成的，密集块的每一层的输出都与其他每一层相连。 我们尝试使用此体系结构从编码器过程中的源图像中获取更多有用的功能。 然后，采用适当的融合策略融合这些特征。 最后，融合图像由解码器重建。 与现有的融合

深度学习经典书籍 Ian Goodfellow Yoshua Bengio Aaron Courville 译者： 赵申剑 , 黎彧君 , 符天凡 , 李凯 责编： 王峰松

对抗学习的半监督语义分割 此回购是以下论文的pytorch实现： ，，刘彦婷，， 英国机器视觉会议（BMVC）的会议记录，2018年。 联系人︰洪志智（whung8 at ucmerced dot edu） 该代码是从pytorch DeepLab实现（ ）大量借用的。 基线模型是DeepLabv2-Resnet101，没有进行多尺度培训和CRF后处理，在VOC2012验证集上的平均IOU为73.6% 。 如果发现对您的研究有用，请引用我们的论文。 @inproceedings{Hung_semiseg_2018, author = {W.-C. Hung and Y.-H. Tsai and Y.-T. Liou and Y.-Y. Lin and M.-H. Yang}, booktitle = {Proceedings of the British Machine

自动驾驶汽车的深度学习：Deep Learning for Self-Driving Cars（课程讲义） 通过建立自动驾驶汽车的应用主题，介绍深度学习的实践。它对初学者开放，是为那些刚接触机器学习的人设计的，但它也可以帮助现场的高级研究人员寻找深度学习方法及其应用的实用概述。

The_Future_of_Cyber_Intelligence_How_Actionable_Deep_Learning_is_Changing_the_Face_of_Security AI 数据分析 移动安全 渗透测试 渗透测试

PyTorch中MIT ADE20K数据集上的语义分割这是MIT ADE20K场景解析数据集（http://sceneparsing.csail.mit.edu/）上语义分割模型的PyTorch实现。 ADE20K是PyTorch中MIT ADE20K数据集上最大的开源语义分割。这是MIT ADE20K场景解析数据集（http://sceneparsing.csail.mit.edu/）上语义分割模型的PyTorch实现。 ADE20K是由MIT计算机视觉团队发布的最大的用于语义分割和场景解析的开源数据集。 请通过以下链接在Caffe和Torch7上找到我们的数据集和实施的存储库：https://github.com/CSAILVision/sceneparsing如果您只是想玩我们的

加入我们 什么是合成数据？ 合成数据是不是从现实世界事件中收集的人为生成的数据。它在不包含任何可识别信息的情况下复制了真实数据的统计组成部分，从而确保了个人的隐私。 为什么要合成数据？ 合成数据可用于许多应用程序： 隐私 消除偏见 天平数据集 增强数据集 ydata合成 该存储库包含与用于生成综合数据（特别是常规表格数据和时间序列）的对抗网络有关的材料。它包含一组使用Tensorflow 2.0开发的不同GAN架构。其中包括一个示例Jupyter Notebook，以说明如何使用不同的体系结构。 快速开始 pip install ydata-synthetic 例子 在这里，您可以找到用于综合表格数据的程序包和模型的用法示例。 信用欺诈数据集 库存数据集 项目资源 合成GitHub： ： 综合数据社区松弛： 在此存储库中，您可以找到以下GAN架构： 表格数据 顺序数据

pytorch-liteflownet 这是使用PyTorch对LiteFlowNet [1]的个人重新实现。 如果您要利用这项工作，请相应地引用本文。 另外，请确保遵守作者的。 如果您要使用此特定实现，请适当确认它[2]。 有关这项工作的原始Caffe版本，请参阅： : 我的另一个光流实现： : 我的另一个光流实现： : 我的另一种光流实现： : 设置 相关层是使用CuPy在CUDA中实现的，这就是为什么CuPy是必需的依赖项的原因。 可以使用pip install cupy安装它，也可以使用CuPy存储库中概述的提供的之一进行pip install cupy 。 如果您想使用Docker，则可以查看pull请求以开始使用。 用法 要在自己的映像对上运行它，请使用以下命令。 您可以在三种型号之间进行选择，请确保查看其型号/代码以获取更多详细信息。 python ru

在PyTorch中使用HigherHRNet进行多人人体姿势估计 这是《 》论文的非官方实现。 该代码是的简化版本，同时考虑了易用性。 该代码与完全兼容。 它同时支持Windows和Linux。 该存储库当前提供： 在PyTorch（> = 1.0）中稍高一点的HigherHRNet实现-与官方权重（ pose_higher_hrnet_* ）兼容。 一个简单的类（ SimpleHigherHRNet ）加载HigherHRNet网络以进行自下而上的人体姿势估计，加载预先训练的权重，并对单个图像或一批图像进行人工预测。 支持多GPU推理。 通过设计实现多人支持（HigherHRNet是一种自下而上的方法）。 运行实时演示程序的参考代码，该演示程序从网络摄像头或视频文件中读取帧。 该存储库是根据存储库。 不幸的是，与HRNet相比，HigherHRNet的结果和性能有些令人失