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

半监督学习以改善肺癌的检测 使用生成模型和半监督学习促进肺癌检测 用于训练的数据集 LUNA16数据集（ ） Kaggle数据科学碗2017（ ） 建筑学 结果 结节检测器结果 发电机结果 分类器结果 方法 准确性 监督学习 64％ 半监督学习 87.3％ 资源 Kaggle数据科学碗2017内核 Luna2016-肺结节检测 Tensorflow中的半监督学习GAN [链接] DSB2017 [链接] Keras-GAN [链接] 使用很少的数据构建强大的图像分类模型[link] 贡献者： Dhamodhran（ @ svella9 ） 悉达思R科蒂（ siddharthkoti ） 维杰·蒙达拉吉（ Vijay-Mundaragi ）

双水平图神经网络 总览 此存储库包含用于药物相互作用预测的双层图神经网络的代码。 有关详细信息，请参阅我们的论文 用于药物相互作用预测的双层图神经网络。 白云生*，顾坚*，孙宜州，王伟。 ICML 2020图形表示学习及超越（GRL +）研讨会 。 模型 我们引入Bi-GNN建模生物链接预测任务，例如药物-药物相互作用（DDI）和蛋白质-蛋白质相互作用（PPI）。 以药物-药物相互作用为例，使用机器学习的现有方法要么仅利用药物之间的链接结构而不使用每个药物分子的图形表示，要么仅利用单个药物化合物的结构而不对高级DDI使用图形结构图形。 我们方法的关键思想是从根本上将数据视为双层图，其中最高

使用深度卷积网络的单导ECG信号采集和分类 使用深度学习的单导联心电信号采集和心律不齐分类 团队成员： ， ， 该项目包含两个部分， 心电信号捕获 心律失常分类所获得的心电图信号。 档案 ：此文件夹包含用于训练和测试深度学习算法的所有文件，并且此代码将用于对所采集的信号进行分类。 此文件夹中的代码是由Awni等人的出色团队StanfordML Group开发的。 我刚刚对其进行了修改，以与python3配合使用，并做了其他一些改动，以方便使用。 ：用于四阶陷波滤波器的Aurdino代码，在计算机中显示ECG信号，计算瞬时BPM等。 （尚未测试）：通过从串行监测器读取内容自动将获取的ECG信号创建文件，并将其转换为所需格式并进行分类的代码。 ：Json文件，指定获取信号的已保存.mat文件的路径。 请根据您当前的工作目录更改此Json文件中的.mat文件的路径以进行测试 依存关系 关于ECG信号捕获：滤波器，放大器，其电路及其值 心电图（ECG）是使用放置在皮肤上的电极记录的心脏电活动的曲线图（电压与时间的关系图）。 这些电极检测到微小的电变化，这些电变化是在每个

涵盖此存储库中代码的详细教程： 该网络分为四个部分，并逐渐变得更加复杂。 第一部分是了解网络核心部分的最低要求。 它用于为一张图像着色。 一旦有了一些实验，我发现添加剩余的80％的网络变得更加容易。 在第二阶段（测试版）中，我开始使培训流程自动化。 在完整版中，我添加了预训练分类器的功能。 GAN版本不在本教程中。 这是一个实验版本，使用了一些新兴的图像着色最佳实践。 :popcorn: 注意：以下显示图像是精心挑选的。 大部分图像大部分是黑白图像，或浅褐色。 狭窄而简单的数据集通常会产生更好的结果。 安装 pip install keras tensorflow pillow h5py jupyter scikit-image git clone https://github.com/emilwallner/Coloring-greyscale-images cd Coloring-greyscale-images/ jupyter notebook 去做所需的笔记本，以“ .ipynb”结尾的文件。 要运行模型，请转到菜单，然后单击“单元格”>“全部运行” 对于GAN版本，

标签图 LabelImg是图形图像注释工具。 它是用Python编写的，并将Qt用于其图形界面。 批注以PASCAL VOC格式（ 所使用的格式）另存为XML文件。 此外，它还支持YOLO和CreateML格式。 安装 从源代码构建 Linux / Ubuntu / Mac至少需要 ，并已通过进行了测试。 但是，强烈建议使用以及 。 的Ubuntu Linux的 Python 3 + Qt5 sudo apt-get install pyqt5-dev-tools sudo pip3 install -r requirements/requirements-linux-python3.txt make qt5py3 python3 labelImg.py python3 labelImg.py [IMAGE_PATH] [PRE-DEFINED CLASS FILE] 苹果系统

keras-inception-resnet-v2 使用Keras的Inception-ResNet v2模型（带有权重文件） 在python 3.6下使用tensorflow-gpu==1.15.3和Keras==2.2.5进行了测试（尽管存在很多弃用警告，因为此代码是在TF 1.15之前编写的）。 层和命名遵循TF-slim的实现： : 消息 该实现已合并到keras.applications模块中！ 在GitHub上安装最新版本的Keras并使用以下命令导入： from keras . applications . inception_resnet_v2 import InceptionResNetV2 , preprocess_input 用法 基本上与keras.applications.InceptionV3模型相同。 from inception_resnet

Deep Learning with Python 高清英文版，FRANÇOIS CHOLLET力作

Matlab深度学习工具箱 deep learning toolbox

OctNet使用有效的空间分区结构（即八叉树）来减少内存和计算3D卷积神经网络的需求，从而实现高分辨率的深度学习。 这是本文的代码： ， 和 我们展示了OctNet，它是稀疏3D数据的深度学习表示。 与现有模型相比，我们的表示支持深度和高分辨率的3D卷积网络。 为了实现这一目标，我们利用输入数据中的稀疏性，使用一组不平衡的八叉树来对空间进行分层划分，其中每个叶节点都存储一个池化的要素表示。 这样可以将内存分配和计算集中到相关的密集区域，并在不影响分辨率的情况下实现更深的网络。 通过分析分辨率对几个3D任务的影响，包括3D对象分类，方向估计和点云标记，我们演示了OctNet表示的实用性