多任务物理信息神经网络 研究代码库。

CNNIQAplusplus 以下论文的PyTorch 1.3实施： 笔记 在这里，选择优化器作为Adam，而不是本文中带有势头的SGD。 训练 CUDA_VISIBLE_DEVICES=0 python main.py --exp_id=0 --database=LIVE --model=CNNIQAplusplus 训练前， im_dir在config.yaml被指定必须的。 可视化 tensorboard --logdir=tensorboard_logs --port=6006 # in the server (host:port) ssh -p port -L 6006:localhost:6006 user@host # in your PC. See the visualization in your PC 要求 conda create -n reproducib

Large Margin Multi-Task Metric Learning LMNN（Distance Metric Learning for Large Margin Nearest Neighbor Classification）的代码

论文题目：Adversarial Multi-task Learning for Text Classification 作者：Pengfei Liu, Xipeng Qiu and Xuanjing Huang 出处：ACL 2017 论文主要相关：多任务学习、文本分类、情感分析 概要：常规的多任务学习通常单纯的共享某些参数，导致共用特征空间和私有特征空间中存在大量冗余的特征。作者提出了一种对抗性多任务学习框架，缓解了共享特征空间和特定任务特征空间（私有潜在特征空间）之间的相互干扰的问题，并采用对抗学习确保共用特征空间中仅存在共用特征和任务无关的特征，辅以正交约束来去除私有和共用特征空间中冗余的特征。在16个任务的情感分析测试中，该框架比单任务学习平均效果提升了4.1%，比其他多任务学习框架（FS-MTL、 SP-MTL等）效果更好。并且实验结果表明模型的共享特征学习到的知识，容易被迁移到新任务的情感分析中。

matlab代码abs 多任务深度网络 基于多任务深度学习的医学图像语义分割方法 (EMBC 2019) (MICCAIW - MLMI 2019) 依赖关系 套餐 火炬 TensorboardX OpenCV 麻木的 tqdm 可以在requirements.txt文件中找到所用包的详尽列表。 使用以下命令安装相同的： conda create --name < env > --file requirements.txt 预处理 轮廓和距离图是预先计算的，可以从二进制掩码中获得。 可以在此处找到示例 matlab 代码： 轮廓： 距离： 目录结构 训练和测试文件夹应包含以下结构： ├── contour |-- 1.png |-- 2.png ... ├── dist_contour |--1.mat |--2.mat ... ├── dist_mask |-- 1.mat |-- 2.mat ... ├── dist_signed |-- 1.mat |-- 2.mat ... ├── image |-- 1.jpg |-- 2.jpg ... └── mask |-- 1.png

Pardoe的论文“回归传递的提升（ICML 2010）”中的两阶段TrAdaBoost.R2算法 描述 这是Pardoe等人提出的基于Boost的回归任务转移学习算法（TwoStageTrAdaBoostR2）。 在论文“回归传递的提升（ICML 2010）”中。 程序TwoStageTrAdaBoostR2包含两个以scikit-learn风格编写的主要类，其结构如下： Stage2_TrAdaBoostR2 | __init__ | fit | _stage2_adaboostR2 | predict TwoStageTrAdaBoostR2 | __init__ | fit | _twostage_adaboostR2 | _beta_binary_search | predict 第一类Stage2_TrAdaBoostR2是sklearn软件包中AdaBoostRe

多任务学习 有关多任务学习的论文，代码和应用程​​序列表。 欢迎发表评论和贡献！ 而且正在更新... [目录] 文件 民意调查 多任务学习调查。 arXiv ，2017年7月。 深度神经网络中的多任务学习概述。 2017年6月， arXiv 。 简要介绍多任务学习。 多媒体工具与应用，77（22）：29705–29725，2018年11月。 密集预测任务的多任务学习：一项调查。 arXiv ，2020年4月。 深度多任务学习和辅助任务学习的简要回顾。 2020年7月arXiv。 深度神经网络的多任务学习：一项调查，2020年。 架构设计 纯硬参数共享 MultiNet：自动驾驶的实时联合语义推理。 在IEEE Intelligent Vehicle Symposium，Proceedings ，2018。 使用不确定性权衡场景几何和语义损失的多任务学习。 IEEE计算机协会

多任务学习 此仓库旨在在PyTorch中实施几种多任务学习模型和培训策略。 该代码库是对以下工作的补充： ， ，Wouter Van Gansbeke，Marc Proesmans，Dengxin Dai和Luc Van Gool。 ， 和Luc Van Gool。 在可以找到有关多任务学习的最新作品列表。 安装 该代码与最新的Pytorch版本一起运行，例如1.4。 假设 ，最重要的软件包可以按以下方式安装： conda install pytorch torchvision cudatoolkit=10.2 -c pytorch conda install imageio scikit-image # Image operations conda install -c conda-forge opencv # OpenCV cond

MTAN-多任务注意力网络 该存储库包含多任务注意力网络（MTAN）的源代码，以及来自Shikun ， 和引入基线。 请参阅我们的项目页面的详细结果。 实验 图像到图像预测（一对多） 在文件夹im2im_pred ，我们提供了建议的网络以及本文介绍的NYUv2数据集上的所有基线。 所有模型都是用PyTorch编写的，并且在最新的提交中，我们已将实现更新为PyTorch 1.5版。 下载我们经过预处理的NYUv2数据集。 我们从使用预先计算的地面真实法线。 原始的13类NYUv2数据集可以使用定义的分段标签直接下载到。 很抱歉，由于意外的计算机崩溃，我无法提供原始的预处理代码。 更新-2019年6月：我现在发布了具有2、7和19类语义标签（请参阅本文以获取更多详细信息）和（反）深度标签的预处理CityScapes数据集。 下载[256×512个，2.42GB]版本 和[128×2

12合1：多任务视觉和语言表示学习 如果使用此代码，请引用以下内容。 代码和预训练模型： @InProceedings{Lu_2020_CVPR, author = {Lu, Jiasen and Goswami, Vedanuj and Rohrbach, Marcus and Parikh, Devi and Lee, Stefan}, title = {12-in-1: Multi-Task Vision and Language Representation Learning}, booktitle = {The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)}, month = {June}, year = {2020} } 和： @inproceedings{lu2019vilber