路径GAN 基于采样路径规划启发式生成对抗网络的Pytorch实现 表中的内容 结构 PathGAN的总体结构由两部分组成: RRT *搜索算法和 产生性的对抗性网络,用于产生有希望的区域 搜索算法 RRT*算法: 比较RRT*和Heuristic RRT* : GAN架构 GAN整体架构: GAN架构的详细信息: 数据集 数据集 训练 结果 执照 该项目在麻省理工学院获得许可。 链接 基于生成式对抗网络的启发式算法,用于基于采样的路径规划(arXiv文章) GAN路径查找器(arXiv文章)
1
修改TensorFlow 2.4及以上(或2.2,如果您使用XCenterNet标记为V1.0.0)上述tf.keras实施CenterNet对象检测在描述由兴义周,王德泉,菲利普·克雷恩布尔和TTFNet刘屠征,徐国栋,杨正,刘海峰,蔡登。有关原始实现,请参阅和。 此实现不是本文或pytorch实现的精确副本,因为我们已根据需要对其进行了修改,因此此回购协议具有一些功能: 使用tf2.2 + keras模型train_step和tf.data.dataset 使用来自tf2.3 +的tensorflow.keras.applications.efficiencynet 高效的网络和Resnet骨干网 tf.dataset的多尺度训练和扩充 添加了更强大的NMS,以获得更好的结果 无需姿势估计或3D,只需简单的物体检测 使用可变形卷积 易于在自己的数据集上进行微调,并自定义自己的图像增强,
1
对抗攻击PyTorch 是一个PyTorch库,其中包含对抗性攻击以生成对抗性示例。 干净的图像 对抗形象 目录 推荐的地点和配套 用法 :clipboard: 依存关系 火炬== 1.4.0 Python== 3.6 :hammer: 安装 pip install torchattacks或 git clone https://github.com/Harry24k/adversairal-attacks-pytorch import torchattacks atk = torchattacks . PGD ( model , eps = 8 / 255 , alpha = 2 / 255 , steps = 4 ) adversarial_images = atk ( images , labels ) :warning: 预防措施 在用于攻击之前,应使用transform [to.Tensor()]将所有图像缩放为
2021-11-09 16:08:45 10.09MB deep-learning pytorch adversarial-attacks Python
1
Triton推理服务器 最新版本:您目前在master分支上,该分支跟踪开发进度到下一发行版。 Triton Inference Server的最新版本是2.5.0,可在分支上。 Triton Inference Server提供了针对CPU和GPU优化的云和边缘推理解决方案。 Triton支持HTTP / REST和GRPC协议,该协议允许远程客户端为服务器管理的任何模型请求推理。 对于边缘部署,Triton可以作为具有C API的共享库使用,该API允许Triton的全部功能直接包含在应用程序中。 Triton Inference Server的当前版本为2.5.0,与上的triton
2021-11-09 09:59:51 4.75MB machine-learning cloud deep-learning gpu
1
在10分钟内用Flask作为Web App部署Keras模型 一个漂亮且可自定义的Web应用程序,可轻松部署DL模型 10分钟入门 克隆此仓库 安装要求 运行脚本 转到 做完了! :party_popper: :backhand_index_pointing_down: 屏幕截图: 新的功能 :fire: 增强的,适合移动设备的UI 支持图像拖放 使用原始JavaScript,HTML和CSS。 删除jQuery和Bootstrap 默认情况下切换到TensorFlow 2.0和 将Docker基本映像升级到Python 3(2020年) 如果您需要使用Python 2.x或TensorFlow 1.x,请签出快照 与Docker一起运行 使用 ,您可以在数分钟内快速
2021-11-08 21:59:57 22KB flask deep-learning deployment tensorflow
1
DeepVariant DeepVariant是一个分析管道,它使用深度神经网络从下一代DNA测序数据中调用遗传变异。 为什么选择DeepVariant DeepVariant是高度准确的。 在2016年DeepVariant DeepVariant DeepVariant是一个分析管道,该管道使用深度神经网络从下一代DNA测序数据中调用遗传变异。 DeepVariant依赖于Nucleus,这是一个Python和C ++代码库,用于以通用基因组文件格式(例如SAM和VCF)读写数据,旨在与TensorFlow机器学习框架轻松集成。 如何运行我们建议使用我们的Docker解决方案。 该命令将如下所示:BIN_VERSION =“ 0.10.0” sudo docker run
2021-11-08 18:22:45 31.23MB Python Deep Learning
1
感知相似性指标和数据集 深度特征作为感知指标的不合理有效性( ,( ,( ,( ,( 。 在 ,2018中。 快速开始 运行pip install lpips 。 下面的Python代码就是您所需要的。 import lpips loss_fn_alex = lpips . LPIPS ( net = 'alex' ) # best forward scores loss_fn_vgg = lpips . LPIPS ( net = 'vgg' ) # closer to "traditional" perceptual loss, when used for optimizat
1
PyTorch中的CycleGAN和pix2pix 新增内容:请检查(CUT),这是我们新的非成对图像到图像翻译模型,可实现快速且高效存储的培训。 我们为未配对和配对的图像到图像转换提供PyTorch实施。 该代码被写了和,并支持。 这种PyTorch实施产生的结果可与原始Torch软件相比,甚至更好。 如果您想重现与论文相同的结果,请在Lua / Torch中查看原始的和代码。 注意:当前软件可与PyTorch 1.4配合使用。 检查出支持PyTorch 0.1-0.3的较旧。 您可以在和找到有用的信息。 要实现自定义模型和数据集,请查看我们的。 为了帮助用户更好地理解和适应我们
1
高光谱图像分离matlab代码深度生成端元建模:无监督光谱解混的应用 这个包包含作者对论文 [1] 的实现。 为了解决光谱分离中的端元可变性,端元光谱使用深度生成模型 (VAE) 建模,该模型从观察到的高光谱图像中学习。 这使我们能够使用生成模型的低维潜在空间中的点对可变端元进行参数化,然后可以与丰度同时优化以解决分离问题。 代码在 MATLAB 中实现,包括: example1.m - 比较算法的演示脚本 (DC1) example2.m - 比较算法的演示脚本 (DC2) example3.m - 比较算法的演示脚本 (DC3) example4.m - 比较算法的演示脚本 (DC4) example_real1.m - 比较算法的演示脚本(休斯顿) example_real2.m - 比较算法的演示脚本 (Samson) example_real3.m - 比较算法的演示脚本(Jasper Ridge) ./DeepGUn/ - 包含与 DeepGUn 算法相关的 MATLAB 文件 ./python/ - 包含与 DeepGUn 算法相关的 Python 文件 ./other_
2021-11-08 08:47:06 114.49MB 系统开源
1
Hands on Machine Learning with Scikit Learn and TensorFlow 英文原版 彩色配图
2021-11-08 08:04:50 9.08MB machine lear deep learnin
1