蔡氏电路matlab仿真代码对抗性个性化推荐排名 APR通过执行对抗训练来增强成对排名方法BPR。 为了说明其工作原理，此处通过在用户和项的嵌入向量上添加对抗性扰动来实现MF上的APR。 这是我们对该文件的正式实现： 何湘南，何占魁，杜小雨和蔡达生。 2018.推荐的对抗性个性化排名，在SIGIR'18的会议记录中。 （通讯作者：） 如果您使用这些代码，请引用我们的论文。 谢谢！ 环境 Python 2.7 TensorFlow> = r1.0 脾气暴躁> = 1.12 PS。 供您参考，我们的服务器环境为2.20 GHz和64 GiB内存的Intel Xeon CPU E5-2630。 我们建议您的可用内存大于16 GiB，以重现我们的实验。 快速开始 演示：APR的效果 该命令通过在第40个数据集yelp （--adv_epoch）中为预训练的MF模型（--restore）添加对抗性扰动来显示APR的效果。 加载预训练模型后，前40个时期为正常MF-BPR，然后进行对抗训练APR。 python AMF.py --dataset yelp --adv_epoch 40 --epoc

内含数据集以及算法的源码，适合算法工程师在本领域的练手项目

红蓝对抗学习笔记

会说话的头 描述 该项目是的PyTorch实施。 在本文中，对GAN进行了设计和培训，可以从仅几张头像（可能只有一张）和面部表情中复制出真实的会说话的头部模型。 该论文解释了该模型的体系结构，但是缺少许多细节，并且没有发布正式的实现或受过训练的模型。 当前，仅实施了元培训过程，并且运行良好。 微调过程即将到来！ 感谢社区帮助使该模型正常工作！ 更多实施细节 在继续阅读之前，请阅读原始论文。 数据集 Talking Heads模型是使用数据集进行训练的。 该数据集是公开可用的，但是要下载它，您需要填写Google Docs请求访问。 训练集包含约140k的摇头视频（并非所有人都是不同的人）。 下载 该下载文件包含9个文件，每个文件约30GB。 直接从他们的服务器下载速度太慢，因此我们强烈建议您下载他们在Google云端硬盘中拥有的版本，该版本的下载速度约为25MB / s。 您可以使用

使用生成式对抗学习的3D医学图像分割很少 该存储库包含我们在同名论文中提出的模型的tensorflow和pytorch实现： 该代码在tensorflow和pytorch中都可用。 要运行该项目，请参考各个自述文件。 数据集 选择了数据集来证实我们提出的方法。 它包含10个标记的训练对象和13个未标记的测试对象的3D多模式脑MRI数据。 我们将这10个标记的训练数据分为两个模型的训练，验证和测试图像。（例如，2,1和7）13个未标记的测试图像中的其余部分仅用于训练基于GAN的模型。 数据集也用于测试我们提出的模型的鲁棒性。 它包含3种模式（T1加权，T1加权反转恢复和FLAIR）。 原始数据

对抗学习的半监督语义分割 此回购是以下论文的pytorch实现： ，，刘彦婷，， 英国机器视觉会议（BMVC）的会议记录，2018年。 联系人︰洪志智（whung8 at ucmerced dot edu） 该代码是从pytorch DeepLab实现（ ）大量借用的。 基线模型是DeepLabv2-Resnet101，没有进行多尺度培训和CRF后处理，在VOC2012验证集上的平均IOU为73.6% 。 如果发现对您的研究有用，请引用我们的论文。 @inproceedings{Hung_semiseg_2018, author = {W.-C. Hung and Y.-H. Tsai and Y.-T. Liou and Y.-Y. Lin and M.-H. Yang}, booktitle = {Proceedings of the British Machine

领域：异常检测，深度学习 方法：非监督对抗学习 场景：硬盘故障检测 网络结构：基于LSTM自编码器与生成式对抗网络相结合 数据集：BackBlaze 采用非监督对抗学习的好处，由于训练阶段未用到异常样本(即正样本)，模型不受样本不均衡的影响，很好的避免了由于训练样本不均衡导致的过拟合问题。 已有研究大都使用5 天以内的短期序列数据进行学习和检测，不能很好的学习到自我监测分析报告数据长期稳定的变化趋势，使得模型不具有鲁棒性。同时结合14年提出的生成式对抗网络。故提出了基于LSTM的自编码器与生成式对抗网络相结合的网络结构，采用对抗训练方法，使模型学习正常样本在样本空间和潜在空间两个....

Uncertainty-aware Joint Salient Object and Camouflaged Object Detection论文试读ppt，适合略读梳理头绪

对抗学习，用于网络上的图片检测的对抗，对抗NPC的检测

基于深度对抗学习的智能模糊数据生成方法