DaNet-Tensorflow Tensorflow实现“深度吸引者网络的与扬声器无关的语音分离” 到原始论文 2021注：我不是论文的原作者。 这段代码可以运行，但是学习得不好。 我没有时间来做这个。 如果您设法使模型正常工作，请告诉我。 仍在进行中，预期会出现问题 要求 numpy / scipy 张量流> = 1.2 matplotlib（可选，用于可视化） h5py /（可选，对于某些数据集） 用法 准备数据集 当前，已实现TIMIT和WSJ0数据集。 您可以使用“玩具”数据集进行调试。 只是一些白噪声。 TIMIT数据集 按照app/datasets/TIMIT/readme进行数据集准备。 WSJ0数据集 遵循app/datasets/WSJ0/readme进行数据集准备。 设置数据集后，您可能需要更改DATASET_TYPE参数中的DATASET_TYPE

PyTorch上的语义分割 该项目旨在为使用PyTorch的语义细分模型提供简洁，易用，可修改的参考实现。 安装 # semantic-segmentation-pytorch dependencies pip install ninja tqdm # follow PyTorch installation in https://pytorch.org/get-started/locally/ conda install pytorch torchvision -c pytorch # install PyTorch Segmentation git clone https://github.com/Tramac/awesome-semantic-segmentation-pytorch.git # the following will install the lib with symb

数位网

与传统的用多尺度特征融合捕捉上下文信息的网络不同，本文提出了DANet来整合局部与全局依赖。本文在空洞 FCN中采用了两种类型的注意力模块，分别在空间和通道两个维度对语义的相互依赖性进行建模。

DANet Attention资源包括论文原文和源代码

，，，，包军，方志伟和路汉青 介绍 我们提出了一种双重注意网络（DANet），可以根据自我注意机制将局部特征与其全局依赖项进行自适应集成。 而且，我们在三个具有挑战性的场景分割数据集（即Cityscapes，PASCAL Context和COCO Stuff-10k数据集）上实现了最新的分割性能。 城市景观测试设置结果 我们仅使用精细的注释数据来训练DANet-101，并将测试结果提交给官方评估服务器。 更新 2020/9 ：更新代码，该代码支持Pytorch 1.4.0或更高版本！ 2020/8：新的TNNLS版本DRANet在Cityscapes测试集上达到 （在2019年8月提交结果），这是仅使用精细注释数据集和Resnet-101的最新技术性能。 该代码将在发布。 2020/7：在MMSegmentation上支持 ，其中，在Netscapeval set上，DANet的单比

提出了双重注意网络（DANet）来自适应地集成局部特征和全局依赖。在传统的扩张FCN之上附加两种类型的注意力模块，分别模拟空间和通道维度中的语义相互依赖性。 位置注意力模块通过所有位置处的特征的加权和来选择性地聚合每个位置的特征。无论距离如何，类似的特征都将彼此相关。 同通道注意力模块通过整合所有通道映射之间的相关特征来选择性地强调存在相互依赖的通道映射。 将两个注意模块的输出相加以进一步改进特征表示，这有助于更精确的分割结果

双重注意力网络：中科院自动化所提出新的自然场景图像分割框架（附源码）。本文提出了一个新的自然场景图像分割框架，以往的方法更为灵活、有效，在三个场景分割数据集Cityscapes、PASCAL Context 和 COCO Stuff上取得了当前最佳分割性能。

自己写的组会PPT，关于 DANet：DualAttentionNetworkforSceneSegmentation