这是关于论文Learning to See in the Dark. CVPR 2018的相关代码值得学习

这是关于学术论文Learning to See in the Dark的相关代码

YOLO和RCNN对象检测和多对象跟踪对象检测和跟踪对象检测是一种与计算机视觉和图像处理有关的计算机技术，用于检测特定类别的语义对象（例如人，建筑物或汽车）的实例。数字图像和视频。 我在Ubuntu 16.04 / 18.04上测试过的环境。 该代码可以在其他系统上工作。 [Ubuntu深度学习环境设置] Ubuntu 16.04 / 18.04 ROS Kinetic / Melodic GTX 1080Ti / RTX 2080Ti python 2.7 / 3.6

我们已经将BasicSR合并为MMSR:grinning_face_with_smiling_eyes:MMSR是基于PyTorch的开源图像和视频超分辨率工具箱。 这是香港中文大学多媒体实验室开发的开放式mmlab项目的一部分。 MMSR基于我们的产品我们已经将BasicSR合并到MMSR中:grinning_face_with_smiling_eyes:MMSR是基于PyTorch的开源图像和视频超分辨率工具箱。 这是香港中文大学多媒体实验室开发的开放式mmlab项目的一部分。 MMSR基于我们之前的项目：BasicSR，ESRGAN和EDVR。 SR我们已更新了BasicSR工具箱（v0.1）。 几乎所有文件都有更新，包括：支持PyTorch 1.1和分布式培训简化网络结构更新数据集

很棒的强化学习 专门用于强化学习的精选资源列表。 我们还有其他主题的页面： ，， 维护者：， ， 我们正在寻找更多的贡献者和维护者！ 贡献 请随时 目录 代号 理查德·萨顿（Richard Sutton）和安德鲁·巴托（Andrew Barto）的《强化学习：入门》中的示例和练习代码 强化学习控制问题的仿真代码 （用于RL的标准接口）和 -基于Python的强化学习，人工智能和神经网络 -用于教育和研究的基于价值函数的强化学习框架 用于python强化学习中问题的机器学习框架 基于Java的强化学习框架 实施Q学习和其他RL算法的平台 贝叶斯强化学习库和工具包 进行深度Q学习-使用Google Tensorflow进行深度Q学习演示 -Torch中的深层Q网络和异步代理 使用Theano + Lasagne进行深度强化学习和自定义递归网络的python库。 -最小和干净的强化学

有小伙伴私信我要Introduction to statistic learning（ISLR）数据集，在这里给出，不过CSDN好像默认需要积分下载，我这里调成0了，不知道大家能不能下载，如果还是不能下载可以私信我

这是基于Deepmat（ ）的CDL改编而成的用于链接预测（MAP）的关系深度学习（RDL）。 请转到example / README，以获取有关运行代码的更多说明。 要安装代码，请参阅类似的CDL流程。 参考： @inproceedings{DBLP:conf/aaai/WSY17, author = {Hao Wang and Xingjian Shi and Dit{-}Yan Yeung}, title = {Relational Deep Learning: {A} Deep Latent Variable Model for Link Prediction}, booktitle = {AAAI}, pages = {2688--2694},

深度学习用于元表面优化 使用深度学习以张量流/角点和约5600 Lumerical模拟作为训练数据来优化单元素超表面参数。 在垂直入射光下进行的模拟。 定义超表面的特征是1.长度（L）2.宽度（W）3.高度（H）4.x方向周期性（Ux）5. y方向周期性（Uy）。 输出是周围和整个可见光的相位光谱，增量为5 nm（450 nm-800 nm）。 对于PowerPoint，有动画，所以我建议在幻灯片放映模式下观看。 此仓库中发布的所有内容均已获得许可 我将在介绍这项工作。 背景 超表面用于多种应用以各种方式操纵光。 设计这些纳米结构的当前最先进的方法是相当中世纪的，并且依赖于蛮力策略。 也就是说，给定所需的输出，超颖表面参数的哪些组合可以为我们提供最接近所寻找值的值？ 为了回答这个问题，研究人员依靠仿真软件并执行了数千次参数扫描，希望他们找到最佳的组合。 在时间和计算能力方面，仿真的成本

scikit-survival：基于scikit-learn的生存分析

机器翻译