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

物体检测 使用带有Tensorflow和Python的深度学习进行车辆检测 该程序说明了如何从头开始在多个对象的对象检测中训练自己的卷积神经网络（CNN）。 使用本教程，可以识别和检测图片，视频或网络摄像头中的特定对象。 下面描述了在Tensorflow环境中在窗口（10、7、8）上训练模型的步骤。 我使用了TensorFlow-v1.5，但该程序可在将来的版本中使用。 脚步 1.安装Anaconda 访问下载并安装Anaconda 访问 TensorFlow的网站描述了安装细节。 2.设置TensorFlow目录和Anaconda虚拟环境 TensorFlow对象检测API和Anac

对比表示蒸馏（CRD），以及最新知识蒸馏方法的基准RepDistiller此回购协议：（1）涵盖以下ICLR 2020论文的实施：“对比表示蒸馏”（CRD）。 纸，项目页。 （2）在PyTorch中对12种最先进的知识提炼方法进行了基准测试，包括：（KD）-在神经网络中提炼知识（FitNet）-Fitnets：细深网的提示（AT）-更加关注注意：通过注意转移（SP）改善卷积神经网络的性能-相似性保留

MedicalNER：使用Flask和Docker作为Web App部署PyTorch NER模型 一个漂亮且可自定义的Web应用程序，可轻松部署您的深度学习（DL）模型 注意 此仓库用于部署任何类型的ML或DL模型，而不仅仅是NER模型。 使用演示 克隆仓库 $ git clone https://github.com/SuperBruceJia/pytorch-flask-deploy-webapp.git 运行以下说明 1）。 构建Docker映像 $ docker build -t ner-model . 2）。 为上面的图像制作并运行一个容器 $ docker run -e LANG

遗传算法，粒子群优化，模拟退火，蚁群优化算法，免疫算法，人工鱼群算法，差分进化和TSP（旅行商）scikit-opt群体智能化Python（遗传算法，粒子群优化，模拟退火，蚂蚁）殖民地算法，免疫算法，Python中的人工鱼群算法）文档：https：//scikit-opt.github.io/scikit-opt/#/en/文档：https://scikit-opt.github.io/scikit -opt /＃/ zh /源代码：https://github.com/guofei9987/scikit-opt帮助我们改进scikit-opt https://www.wjx.cn/jq/50964691.aspx install pip install scikit-opt对于当前的开发人员版本：

SEWUNet 通过深波U-Net增强语音 在检查全文。 介绍 在本文中，我们提出了一种端到端的方法来从其原始波形上的语音信号中删除背景上下文。 网络的输入是音频，具有16kHz的采样率，并在5dB到15dB的信噪比内均匀分布地被附加噪声所破坏。 该系统旨在产生具有清晰语音内容的信号。 当前，有多种深度学习架构可用于此任务，从基于频谱的前端到原始波形，其结果令人鼓舞。 我们的方法基于Wave-U-Net体系结构，并对我们的问题进行了一些调整，在初始化主要任务的训练之前，建议通过自动编码器进行权重初始化。 我们表明，通过定量指标，我们的方法优于经典的维纳滤波。 如何使用 有两种使用此存储库的方式：1.使用数据训练自己的模型2.仅将技术应用于具有预先训练的模型的数据 如何训练 tl; dr：以与本文所示相同的方式训练最佳模型的步骤。 将LibriSpeech数据集和UrbanSound8K

thavlik机器学习产品组合 这是我个人深度学习项目的资料库。 监督实验 这些实验利用了随数据提供的基本事实。 医学数据的地面事实通常构成一位或多位主治医师的判断。 ：按出血类型分类脑部CT扫描 ：在CT扫描中定位腹部肿瘤 （WIP）：使用EEG对运动活动进行细粒度检测 （WIP）：单次，可区分的3D渲染 数据集 这些是我亲自编写/编辑的数据集。 运行代码 配置在yaml文件中定义，可以通过include指令进行组合，以使用最少的样板方便地形成派生实验。 可以通过将路径作为--config标志传递到输入yaml来进行实验，以将其设置为src/main.py ： python3 src/main.py --config experiments/mnist/vae/fid.yaml 注意：该脚本假定当前工作目录是此存储库的根。 按照约定，yaml文件中的所有文件和目录路径都相对于存储

Facial-expression_Reg数据源

快速核磁共振 | | 通过获取更少的测量值来加快磁共振成像（MRI）的潜力，可以降低医疗成本，将对患者的压力降到最低，并使MR成像在目前速度缓慢或昂贵的应用中成为可能。 是Facebook AI Research（FAIR）和NYU Langone Health的一项合作研究项目，旨在研究使用AI来加快MRI扫描的速度。 纽约大学朗格健康中心已经发布了完全匿名的膝盖和大脑MRI数据集，可以从下载。 可以找到与fastMRI项目相关的出版物。 该存储库包含方便的PyTorch数据加载器，子采样功能，评估指标以及简单基准方法的参考实现。 它还包含fastMRI项目的某些出版物中方法的实现

Deep_Learning_with_R This book is a sequel to Machine Learning with R, written by the same author, and explains deep learning from first principles—how to construct different neural network architectures and understand the hyperparameters of the neural network and the need for various optimization algorithms. The theory and the math are explained in detail before discussing the code in R. The different functions are finally merged to create a customized deep learning application. It also introduces the reader to the Keras and TensorFlow libraries in R and explains the advantage of using these libraries to get a basic model up and running.