医学去噪数据集：Mayo-Grand-Challenge，百度云下载

二维下料matlab代码临床大脑计算机接口挑战WCCI 2020格拉斯哥 这是在格拉斯哥举行的WCCI 2020上举行的“临床脑计算机接口挑战赛”竞赛的数据集。 有10例因左手或右手手指活动受损而受损的偏瘫性脑卒中患者的EEG数据。 每个参与者有两个文件。 以“ T”结尾的文件名表示训练文件，以“ E”结尾的文件名表示评估/测试文件。 例如，文件名“ Parsed_P05T”建议参与者P05的训练文件，而文件“ Parsed_P05E”建议针对同一参与者的评估/测试文件。 训练文件包含与每个试验相对应的标签，而没有提供用于评估/测试文件的试验标签。 比赛的目的是找到与评估/测试文件试验相对应的标签。 数据集说明 在这里，我们描述了数据集中每个文件的内容。 所有文件均为.mat（MATLAB）格式，因此可以使用MATLAB软件轻松打开。 打开任何参与者的任何培训文件（例如，文件“ Parsed_P05T”，这是参与者“ P05”的培训文件）时，您会发现两个变量“ rawdata”和“ labels”。 变量“ rawdata”是一个3-D矩阵，其尺寸格式为“ noOfTrial X no

蟒科挑战 通过完成挑战来学习用于网络安全的Python。 概述 编程是解决问题的核心。您听说网络安全领域的人们非常喜欢Python。无论您是进攻还是防守，编写高效的脚本对于您的日常工作很有帮助。 Python简单灵活。大量的库使Python在处理常见任务方面变得非常出色。简而言之，Python提供了全部功能来创建功能强大且新颖的程序。 因此，您了解Python，但您想知道如何将其应用于网络安全领域？从哪儿开始？ 我们建立了一系列练习，指导您将Python编程知识应用到网络安全中。我们认为脚本是较小任务的集合。因此，完成任务可以帮助您创建满足您需求的复杂代码。 规则是什么？ 首先，我们仅提供任务，您可以按照自己的进度完成任务。我们不提供任何解决方案，也不要求我们提供解决方案。 您可以使用任何方法来解决问题。使用现有的库或创建自己的库，随心所欲。我们不限制您的创造力。您还可以发布优雅而有效的

竞赛任务是利用数据驱动的重建技术从有限视角的扇形光束测量中恢复乳房模型幻影图像。这项挑战的独特之处在于，参赛者获得了一组地面真实图像及其无噪音的子采样正弦图（以及相关的有限视角过滤反投影图像），但没有获得实际的正向模型。 团队名称：robust-and-stable 完成工作：首先在一个数据驱动的几何校准步骤中估计扇形光束的几何。在随后的两步程序中，设计一个迭代的端到端网络，能够计算出接近精确的解决方案。（损失低到无法想象） 方法结构： 第一步：数据驱动的几何图形识别 第二步：预训练的U-Net作为计算支柱网络 第三步：迭代方案 方法内容（摘原文翻译，其中小部分增加自己的理解和解释，公式截原文的图，水印很恶心）： 第一步 我们重建工作的第一步是从提供的训练数据中学习未知的前向算子（FBP算子）。断层扇形光束测量的连续版本是基于计算线积分。 其中x0是未知图像，L(s, )表示扇形光束坐标中的一条线，即是扇形旋转角度，s是编码传感器的位置。在一个理想化的情况下，扇形光束模型由以下几何参数指定（见图）。 d_source - X射线源到原点的距离

Challenge-1-Final-Real-Time

开始在 Virtual Maritime RobotX Challenge 凉亭仿真环境中使用 MATLAB 和 Simulink。 此条目包含处理比赛中 3 个任务的代码 - 1. 导航任务； 2.扫码； 3. 避免障碍。 从这里下载模拟环境： https : //github.com/osrf/vrx并按照自述文件中的说明开始

深度噪声抑制（DNS）挑战-INTERSPEECH 2021 该存储库包含DNS质询所需的数据集和脚本。 有关挑战的更多详细信息，请参阅我们的和挑战。 有关测试框架的更多详细信息，请访问 。 回购详情： 数据集目录包含干净的语音，噪声和房间脉冲响应，用于为宽带场景创建训练数据。 它还包含参与者在开发阶段可以使用的测试集。 datasets_fullband目录包含干净的语音，噪声和房间脉冲响应，用于为全频段场景创建训练数据。 NSNet2-baseline目录包含推理脚本和用于宽带语音增强方法的ONNX模型。 dns_challenge_data_downloader-如果您无法克隆整个存储库或速度太慢，这是下载数据的脚本。 请给我们发送电子邮件，要求在脚本中使用SAS_URL。 noisyspeech_synthesizer_singleprocess.py-用于合成噪声干净

卡通汽车运动挑战1.0unity3d 资源 unity3d

《Extremely Lightweight Quantization Robust Real-Time Single-Image Super Resolution for Mobile Devices》移动端超分辨率论文复现，该论文方案为CVPR举办的Mobile AI Challenge 2021比赛的冠军方案，实现了在移动设备上的实时推理，模型符合超轻量级（模型大小0.02M）。复现内容包括训练、推理、unit8量化。压缩包中包括：论文及其复现代码（pytorch）。

RecSys挑战赛2018 D2KLab团队的RecSys Challenge 2018脚本。 安装依赖项 pip install -r requirements.txt 数据集 我们将原始JSON文件转换为等效的CSV版本。 python evaluation/mpd2csv.py --mpd_path /path/to/mpd --out_path dataset python evaluation/challenge2csv.py --challenge_path /path/to/challenge.json --out_path dataset 我们将MPD数据集分为训练，验证和测试集。 验证和测试集反映了正式质询集的特征。 python evaluation/split.py --path dataset --input_playlists playlists.csv -