基于深度学习的生物信息学聚类方法 ”期刊的“”中发表的论文“基于深度学习的生物信息学聚类方法”的代码和补充材料。 此仓库将定期更新。 特别是，将添加更完整的Jupyter笔记本。 在本文中，我们回顾了基于深度学习的聚类分析方法，包括网络训练，表示学习，参数优化和制定聚类质量指标。 我们还讨论了在不同的场景（例如生物成像，基因表达聚类）中，基于不同的自动编码器体系结构（例如，香草，变异，LSTM和卷积）的表示学习如何比基于ML的方法（例如，PCA）更有效。 ，以及将生物医学文本聚类。 基于深度学习的无监督/聚类方法，链接到论文和代码 我们提供了基于深度学习的无监督/聚类方法，论文链接和代码的列表。 此外，还将列出提出新方法和论文的文章。 敬请期待！ 标题 文章 会议/期刊 代码 卷积自动编码器（DCEC）的深度聚类 ICONIP'2017 用于一致性培训（UDA）的无监督数据增强 Arx

基于各种挑战的最新医学图像分割方法！ （更新202003）Content Head 2020 ICIAR：自动肺癌患者管理（LNDb）（LNDb）2019 MICCAI：多模式脑肿瘤基于各种挑战的最先进医学图像分割方法！ （更新202003）Content Head 2020 ICIAR：自动肺癌患者管理（LNDb）（LNDb）2019 MICCAI：多模式脑肿瘤分割挑战赛（BraTS2019）（结果）2019 MICCAI：6个月的多个部位婴儿脑MRI分割（iSeg2019） （结果）2019年MICCAI：放射治疗计划挑战的自动结构分割（结果）2018年MICCAI：多峰脑肿瘤分割Cha

循环GAN | 火炬实现，用于在没有输入输出对的情况下学习图像到图像的转换（ ），例如： 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。 *， *，， 加州大学伯克利分校伯克利分校AI研究实验室在ICCV 2017中。（*等额捐款） 该软件包包括CycleGAN， 以及其他方法，例如 / 和Apple的论文。 该代码被写了和。 更新：请检查CycleGAN和pix2pix的实现。 PyTorch版本正在积极开发中，其结果可与该Torch版本相媲美或更好。 其他实现： （由Harry Yang）， （由Archit Rathore撰写

面部防喷雾剂 使用CASIA-SURF CeFA数据集， 和脸反欺骗任务解决方案。 模型 M，参数 计算复杂度，MFLOP 红绿蓝 深度 红外 损失函数 最佳LR 最低ACER（CASIA-SURF值） 快照 羽毛网 0.35 79.99 :check_mark: :cross_mark: :cross_mark: 交叉熵 3e-6 0.0242 羽毛网 0.35 79.99 :check_mark: :check_mark: :cross_mark: 交叉熵 3e-6 0.0174 羽毛网 0.35 79.99 :check_mark: :check_mark: :check_mark: 交叉熵 1e-7 0.0397 下载 羽毛网 0.35 79.99 :check_mark: :cross_mark: :cross_mark: 失焦 3e-6 0.0066 下载 MobileLiteNet 0.57 270.91 :check_mark: :cross_mark: :cross_m

PyTextRank PyTextRank是TextRank的Python实现，作为spaCy管道扩展，用于：从文本文档中提取排名靠前的短语，以将非结构化文本的链接推断到结构化数据中运行extractiv PyTextRank PyTextRank是TextRank的Python实现，作为spaCy管道扩展，用于：从文本文档中提取排名靠前的短语，以将非结构化文本链接链接到结构化数据中，对文本文档进行提取性摘要背景说明请注意，与命名实体识别的更普遍用法相比，PyTextRank旨在为实体链接提供支持。 这些方法可以互补的方式一起使用，以改善结果

Grokking Deep Learning 最新版（16章），含github代码（ipynb）。335页。

KittiBox KittiBox是用于在Kitti上训练模型FastBox的脚本的集合。 有关Fastbox的详细说明，请参见我们的。 FastBox旨在以很高的推理速度存档高检测性能。 在Kitti数据上，该模型的吞吐量为28 fps（36毫秒），是FasterRCNN的两倍以上。 尽管FastBox速度惊人，但其性能却明显优于Faster-RCNN。 任务 中等 简单 硬 速度（毫秒） 速度（fps） 快速盒 86.45％ 92.80％ 67.59％ 35.75毫秒 27.97 更快的RCNN 78.42％ 91.62％ 66.85％ 78.30毫秒 12.77

在动态图像文件行为的分布式图像可视化中，使用GAN模拟恶意软件作者以提供主动保护 引用为： VS Bhaskara, and D. Bhattacharyya. arXiv preprint arXiv:1807.07525 [stat.ML] (2018) 。 引用代码 训练的WGAN-GP模型基于上发布的代码。 我们将带有improved_wgan_training/gan_64x64.py脚本与GoodGenerator和GoodDiscriminator函数定义的网络体系结构GoodDiscriminator使用。 每个通道使用的64位dHash基于上的实现。 在color_dHash192.py脚本中显示了通过在彩色图像的通道上串联dHash来哈希的扩展。 数据集 dataset_filedetails.csv ：列出文件SHA256哈希值和所使用的12,006个不同可执行文

Big5-性格React烧瓶 这是一个项目，我们可以在该项目上构建一个React应用并调用端点进行预测。 使用的模型是随机森林回归器和随机森林分类器。 使用myPersonality项目（ ）的数据集对模型进行训练。 模型使用回归模型生成预测的人格得分，并使用分类模型针对每个人格特征生成二元类别的概率。 技术领域 后端烧瓶 前端React 修改后的准备 Create-react-app创建一个基本的React应用程序。 接下来，加载了引导程序，该引导程序使我们可以为每个屏幕尺寸创建响应式网站。 在App.js文件中，添加了带有textarea和Predict按钮的表单。 将每个表单属性添加到状态，并在按下Predict按钮时，将数据发送到Flask后端。 将样式添加到页面的App.css文件。 Flask应用程序具有POST终结点/预测。 它接受输入值作为json，将其转换为数组，并使

道路分割 客观的 在自动驾驶的情况下，给定前摄像头视图，汽车需要知道道路在哪里。 在这个项目中，我们训练了神经网络，通过使用一种称为完全卷积网络（FCN）的方法来标记图像中道路的像素。 在此项目中，使用KITTI数据集实施FCN-VGG16并对其进行了培训，以进行道路分割。 演示版 （单击以查看完整的视频） 1代码和文件 1.1我的项目包括以下文件和文件夹 是演示的主要代码 包含单元测试 包含一些帮助程序功能 是带有GPU和Python3.5的环境文件 文件夹包含KITTI道路数据，VGG模型和源图像。 文件夹用于保存训练后的模型 文件夹包含测试数据的细分示例 1.2依赖关系和我的环境 Miniconda用于管理我的。 Python3.5，tensorflow-gpu，CUDA8，Numpy，SciPy 操作系统：Ubuntu 16.04 CPU：Intel:registered:Core:trade_mark:i7-68