用于分布和不确定性估计的混合密度网络：使用Keras（TensorFlow）进行分布和不确定性估计的通用混合密度网络（MDN）实现

深度卷积神经网络用于多波段卫星图像的语义分割 准备 从下载3频段和16频段并提取到数据文件夹 通过执行以下命令来安装需求： $ pip install -r requirements.txt 此外，您需要安装tensorflow或tensorflow-gpu 训练 $ python train.py 争论 描述 选项 --algorithm 训练算法 unet ， fcn_densenet ， tiramisu ， pspnet --size 补丁大小 整型 --epochs 训练的纪元 整型 --batch 每批样品 整型 --channels 影像频道 3 ， 8 ， 16 --loss 损失函数 crossentropy ， jaccard ， dice ， cejaccard ， cedice --verbose 打印更多信息 布尔 --noaugment

硕士论文 查尔默斯理工大学硕士论文项目的存储库，题为“使用深度机器学习的行人意图预测”。 抽象的 待添加 数据集 联合注意自动驾驶（JAAD）数据集[]： JAAD是一个用于研究自动驾驶环境下的共同注意力的数据集。 重点是在交叉点的行人和驾驶员行为以及影响他们的因素。 为此，JAAD数据集提供了从240多个小时的驾驶录像中提取的346个短视频剪辑（长5-10秒）的丰富注释集合。 这些在北美和东欧的多个地点拍摄的视频代表了在各种天气条件下日常城市驾驶的典型场景。 为所有行人提供了带有遮挡标签的边界框，使该数据集适合行人检测。 行为注释指定与驾驶员互动或需要驾驶员注意的行人的行为。 对于每个视频，都有固定的列表中的几个标签（天气，位置等）和带有时间戳的行为标签（例如，停下，步行，观看等）。 此外，还为每个行人提供了人口统计属性列表（例如年龄，性别，运动方向等），以及每个帧的可见交通场景元

免责声明 没有积极维护该存储库。 这是一篇硕士论文的结果，如果有人想复制论文的结果，可以将该代码作为参考。 鸟类种类分类 这些是在Chalmers University of Technology进行的硕士学位论文的项目文件。 该项目的目的是通过使用深度残差神经网络，多宽度频率增量数据增强和元数据融合来构建和训练鸟类分类器，从而改进最先进的鸟类分类器。带有相应物种标签的鸟类歌曲数据。 如果该资料库对您的研究有用，请引用硕士论文。 设置 $ git clone https://github.com/johnmartinsson/bird-species-classification $ virtualenv -p /usr/bin/python3.6 venv $ source venv/bin/activate (venv)$ pip install -r requirements.txt

基于物理的渲染 通过路径跟踪以物理方式渲染3D场景。 光与表面的相互作用通过双向反射分布函数（BRDF）进行评估。 —硕士论文2013/14 加速结构：BVH 无堆栈遍历。 每个叶节点1或2个面。 存在在构建过程中使用空间分割的代码，但似乎有问题。 不应该使用。 要求 操作系统： Linux 虽然也应该可以在其他平台上构建和运行它。 我只是从未尝试过。 硬件：具有OpenCL 1.1和OpenGL 3.1功能的GPU 仅在NVIDIA上进行过测试。 库/标题 freeglut3-dev libboost-dev libdevil-dev libglew开发 libglm开发 libqt5core5a libxi-dev libxmu-dev 标题 NVIDIA和OpenCL 如果在使NVIDIA硬件与OpenCL配合使用时遇到问题（根据我的经验，这很可能），这是一些解

`离散余弦变换`、`逆离散余弦变换`、`APDCBT`和`逆APDCBT`的实现

master-thesis

master-thesis-hurwitz：针对Hurwitz存在问题的Zheng算法的C ++实现