WildWav-鸟声识别器
有没有听说过在野外或周围有不同的鸟叫声，并且想知道那是哪只鸟？ WildWav的开发正是为了识别我们虚弱的朋友！
WildWav是一个Web应用程序，它使用用户捕获的音频记录来分析鸟的声音（或浏览WAV文件）以预测鸟的类型。
简介：Bird Sound Identifier是我与朋友共同开发的一个个人项目，旨在探索机器学习的可能性。 另外，通过在Heroku服务器上部署模型，使想法变为现实并确保每个人都可以使用它。 对于此项目，我们使用Flask API创建应用程序，并使用Python进行建模。 Vaish使用HTML进行了所有的网页设计。 该应用程序使用了我们在找到的recorder.js javascript文件。
功能：Web应用程序具有一个带有两个选项的界面：
使用设备的麦克风记录以捕获鸟的声音，或者
浏览文件选项以选择WAV格式的音频文件。
2022-05-06 17:19:25
5.99MB
1
少量物体检测（FsDet）
FsDet包含ICML 2020论文《令人中的官方几次物体检测实现。
除了以前的作品所使用的基准，我们还在三个数据集上引入了新的基准：PASCAL VOC，COCO和LVIS。我们对多组实验的多次抽样训练样本进行了多组采样，并报告了基础班和新颖班的评估结果。这些在“中有更详细的描述。
我们还为我们的两阶段微调方法（TFA）提供了基准测试结果和经过预训练的模型。在TFA中，我们首先在数据丰富的基类上训练整个对象检测器，然后仅在小的平衡训练集上微调检测器的最后一层。见为我们提供的模型和的培训和评估指导。
FsDet的模块化程度很高，因此您可以轻松添加自己的数据集和模型。该存储库的目标是为检测少量物体提供一个通用框架，该框架可用于将来的研究。
如果您发现此存储库对您的出版物有用，请考虑引用我们的论文。
@article{wang2020few,
tit
2022-05-06 11:56:43
309KB
1
Hands-on Machine Learning with Scikit-Learn and Tensorflow 第二章所有jupyter python代码以及教程，免费！
2022-05-06 09:09:27
598KB
1
英文版 Learning C# by Developing Games with Unity 3D 适合想学了解 unity 3d 游戏引擎开发 以及 c# 脚本编程的 童鞋
2022-05-06 08:19:52
5.75MB
1
金融交易的强化学习？ 如何使用 MATLAB 使用模拟股票数据将强化学习用于金融交易。
设置跑步：
打开 RL_trading_demo.prj 打开工作流.mlx 运行工作流.mlx 环境和奖励可以在：myStepFunction.m 中找到
概述：
强化学习代理的目标很简单。 了解如何在不损失资金的情况下进行金融市场交易。 请注意，这与学习如何交易市场并尽可能多地赚钱不同。
这个例子的目的是展示：
1.什么是强化学习2. 如何将其应用于金融市场交易3. 为金融专业人士留下一个起点，让他们利用自己的领域专业知识来使用和增强。
该示例使用的环境由 3 只股票、20000 美元现金和 15 年的历史数据组成。
股票是： 通过几何布朗运动或历史市场数据（来源：AlphaVantage： www.alphavantage.co ）
版权所有2020 The MathWorks，
2022-05-06 05:23:29
3.97MB
1
讲述了深度学习的流程：获取或创建数据集、预处理和特征提取、预测模型开发和部署。并通过实例讲解整个流程，该PDF为对应视频的课件。
2022-05-05 22:25:59
2.07MB
1
DeepLPF：用于图像增强的深度局部参数过滤器（CVPR 2020）
（ ，皮埃尔·马扎（Pierre Marza），（ ，（ ，
华为诺亚方舟实验室
CVPR 2020论文DeepLPF的主要存储库：用于图像增强的深度局部参数滤波器。 在这里，您将找到代码链接，预训练的模型以及有关数据集的信息。 如果您需要协助，请提出Github问题。
输入
标签
我们的（DeepLPF）
输入
标签
我们的（DeepLPF）
输入
标签
我们的（DeepLPF）
输入
标签
我们的（DeepLPF）
输入
标签
我们的（DeepLPF）
依存关系
requirements.txt包含该代码使用的Python包。
如何训练DeepLPF并将模型用于推理
训练DeepLPF
指示：
要使此代码适用于您的系统/问题，您将需要编辑数据加载功能，如下所示：
main.py，更
2022-05-05 21:20:50
14.07MB
1
cadrl_ros（使用Deep RL避免冲突）
用Deep RL训练的动态避障算法的ROS实现
纸：
M.Everett，Y.Chen和JP How，《具有深度强化学习的动态决策代理之间的运动计划》，IEEE / RSJ国际智能机器人和系统会议（IROS），2018年
论文： : 视频： :
Bibtex：
@inproceedings{Everett18_IROS,
address = {Madrid, Spain},
author = {Everett, Michael and Chen, Yu Fan and How, Jonathan P.},
bookti
2022-05-05 21:18:49
6.26MB
1