完全耦合的正倒向随机微分方程系统在非Lipschitz代价泛函下最优控制的存在性，孟庆欣，张奇，运用凸分析中的最优存在定理,本文研究了最优随机控制的存在性。而所研究的随机系统是完全耦合的线性正倒向随机微分方程,且其代价�

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

基于全同态加密的安全人脸识别系统 本人个人主页： 指导老师：陈智罡(Zhigang Chen), 个人网站： 本项目获得第十二届全国大学生信息安全竞赛国家级二等奖。 特点说明： 随着人脸识别技术广泛使用，人脸数据安全问题的严重性也日益增长。 我们采用了全同态加密的方法来保证数据的安全性。 全同态加密：全同态加密支持加密域中密文的计算。那么全同态加密的提出就能够很好的解决计算隐私的问题。我们都知道人脸识别或者说机器学习甚至是整个人工智能，归根到底都是统计数学方法，那么就避不开计算，如此一来，我们就可以先用公钥将数据进行加密，加密后的密文进行数据传输和数值计算，计算结果还是为密文，用户收到密文结果后用私钥进行解密。这样就很好的保证了数据的隐私安全性。 项目难点： 1、Python和C++的跨平台开发，密码学的全同态加密算法采用C++语言编写，人工智能中的人脸识别算法采用Python编写； 2、

完全与Home Assistant的Kiosk Browser集成 提供对通过Home Assistant控制某些常见的Fully Kiosk选项的支持。 需要在“完全自助服务终端浏览器”设置中启用“远程管理”。 目前支持： 用于打开/关闭屏幕和设置屏幕亮度的灯光实体 开关实体，用于控制屏幕保护程序，维护模式和信息亭保护 多种传感器（电池电量，充电状态，wifi状态等） 媒体播放器实体，用于在设备上播放音频文件 media_player实体具有一些额外的服务，可让您完全重新启动，重新启动设备，启动应用程序，加载自定义URL等。 有关各种服务的文档，请参见custom_components/fullykiosk/services.yaml services.yaml。 使用上游库

FCOS: Fully Convolutional One-Stage Object Detection

基于全卷积Fully-Convolutional-Siamese-Networks的目标跟踪仿真+word版说明文档 版本组合：Win7+Matlab R2015b+CUDA7.5+vs2013 文档中提供了上述运行环境的配置方法 注意事项（仿真图预览可参考博主博客里面"同名文章内容"。）

该文章是快手公司与中科大合作产出的资源型论文，即发布了一个几乎全是观测值的稠密数据集KuaiRec，该数据集包含了1411个用户对3327个短视频的交互行为，稠密度高达99.6%（一般推荐系统公开数据集的稠密度在1%以下）。“稠密数据集”意味着用户-物品矩阵中几乎没有缺失值，即每个用户都看了每个视频且留下了反馈。

云计算是在共享资源的同时处理大型数据库的一种非常便捷的方法。 当前，有许多成本相对较低的云服务可用，这鼓励了机器和深度学习领域的研究人员使用它们。 云的问题在于其固有的不安全特性。 因此，诸如医疗保健和银行业之类的敏感部门不愿使用这些服务。 在本文中，我们为将“完全同态加密”应用于神经网络中的云上图像进行处理提供了概念证明。 在一定程度上，我们证明了FHE在黑白，灰度和彩色图像，高斯滤波和卷积神经网络（CNN）上的图像分类成功。

作者提出了一种全卷积，一阶段目标检测网络，通过对每一个像素预测一个目标来解决目标检测问题（没有anchor，特征图上一个位置预测一个目标。anchor的办法是一个位置预测k个目标）。比起RetinaNet， SSD， YOLOV3， Faster RCNN等网络，FCOS不需要anchor，自然也不需要候选框。 通过消除anchor，FCOS避免了和ahor相关的复杂计算，比如在训练过程中要计算anchor和GT的IOU值。更重要的是，毕淼了和anchor相关的超参数，比如anchor的数目，比例和尺寸。FCOS具有更简单的网络结构，实现更高的精度。在单尺度单模型下，COCO上得到44.7%的AP。

PyTorch用于语义分割 该存储库包含一些用于语义分割的模型以及在PyTorch中实现的训练和测试模型的管道 楷模 Vanilla FCN：分别为VGG，ResNet和DenseNet版本的FCN32，FCN16，FCN8（ ） U-Net（ ） SegNet（ ） PSPNet（） GCN（） DUC，HDC（） 需求 PyTorch 0.2.0 PyTorch的TensorBoard。 安装 其他一些库（在运行代码时查找丢失的内容：-P） 制备 转到models目录并在config.py中设置预训练模型的路径 转到数据集目录并按照自述文件进行操作 去做 DeepLab v3