使用逆强化学习进行扫描路径预测 PyTorch的官方实施, (CVPR2020,口头) 我们提出了第一个逆向强化学习(IRL)模型,以学习人类在视觉搜索过程中使用的内部奖励功能和策略。 观察者的内部信念状态被建模为对象位置的动态上下文信念图。 这些地图是由IRL获悉的,然后用于预测多个目标类别的行为扫描路径。 为了训练和评估我们的IRL模型,我们创建了COCO-Search18,COCO-Search18是目前最大的高质量搜索注视数据集。 COCO-Search18有10位参与者在6202张图像中搜索18个目标对象类别中的每一个,进行了约300,000个目标定向注视。 当在COCO-Search18上进行训练和评估时,无论是在与人类搜索行为的相似性还是搜索效率方面,IRL模型在预测搜索注视扫描路径方面均优于基线模型。 如果您正在使用此作品,请引用: @InProceedings {
2024-10-17 19:21:36 20.31MB pytorch adversarial-networks cvpr2020
1
HypeLCNN概述 该存储库包含论文“具有用于高光谱和激光雷达传感器数据的光谱和空间特征融合层的深度学习分类框架”的论文源代码(正在审查中) 使用Tensorflow 1.x开发(在1.10至1.15版上测试)。 该存储库包括一套完整的套件,用于基于神经网络的高光谱和激光雷达分类。 主要特点: 支持超参数估计 基于插件的神经网络实现(通过NNModel接口) 基于插件的数据集集成(通过DataLoader接口) 培训的数据有效实现(基于内存的有效/基于内存/记录的) 能够在经典机器学习方法中使用数据集集成 神经网络的培训,分类和指标集成 胶囊网络和神经网络的示例实现 基于CPU / GPU / TPU(进行中)的培训 基于GAN的数据增强器集成 交叉折叠验证支持 源代码可用于在训练大数据集中应用张量流,集成指标,合并两个不同的神经网络以进行数据增强的最佳实践 注意:数据集文件太
2024-10-09 21:46:44 128KB deep-neural-networks tensorflow fusion lidar
1
CVPR2019: Occupancy Networks: Learning 3D Reconstruction in Function Space onet_img2mesh_3-f786b04a.pt
2024-04-30 20:56:10 153.66MB occupancy networks
1
复数域神经网络;全面解析;适合新手和小白
2024-04-16 16:57:29 185KB
1
语音活动检测项目 关键字:Python,TensorFlow,深度学习,时间序列分类 目录 1.11.21.3 2.12.2 5.15.2将5.35.4 去做 资源 1.安装 该项目旨在: Ubuntu的20.04 的Python 3.7.3 TensorFlow 1.15.4 $ cd /path/to/project/ $ git clone https://github.com/filippogiruzzi/voice_activity_detection.git $ cd voice_activity_detection/ 1.1基本安装 $ pip3 install -r requirements.txt $ pip3 install -e . 1.2虚拟环境安装 1.3 Docker安装 构建docker镜像: $ sudo make build (这可能
1
gnina(发音为NEE-na)是一个分子对接程序,具有使用卷积神经网络对配体进行评分和优化的综合支持。 这是的叉子,是的叉子。 帮助 请。 提供一个示例Colab笔记本,其中显示了如何使用gnina。 引文 如果您发现gnina有用,请引用我们的论文: GNINA 1.0:分子对接与深度学习(主要应用引用) 阿McNutt,P Francoeur,R Aggarwal,T Masuda,R Meli,M Ragoza,J Sunseri,DR Koes。 ChemRxiv,2021年 卷积神经网络的蛋白质配体评分(主要方法引用) M Ragoza,J Hochuli,E Idrobo,J Sunseri,DR Koes。 J.化学。 Inf。 模型,2017 基于原子网格的卷积神经网络的配体姿态优化M Ragoza,L Turner和DR Koes。 分子与材料的机器学习NIP
1
As a network administrator, architect, or security professional, you need to understand the capabilities, limitations, and risks associated with integrating wireless LAN technology into your current infrastructure. This practical guide provides all the information necessary to analyze and deploy wireless networks with confidence. It?s the only source that offers a full spectrum view of 802.11, from the minute details of the specification, to deployment, monitoring, and troubleshooting.
2024-03-08 08:57:19 3.57MB WIFI O'Reilly Matthew Gast
1
Juniper Networks Network Connect 32位,很好用,欢迎下载。
2024-03-02 15:43:43 1.86MB Juniper Networks Network Connect
1
作者 项目 文献资料 建置状态 代码质量 覆盖范围 NumPyNet Linux / MacOS : Windows : 编码: 编码节拍: 纯NumPy中的神经网络-NumPyNet 在神经网络模型的纯Numpy中实现。 NumPyNet支持语法非常接近Keras之一,但它使用只写了Numpy功能:这种方式很轻,快速安装和使用/修改。 理论 先决条件 安装 效率 用法 贡献 参考 作者 执照 致谢 引文 概述 NumPyNet是作为研究神经网络模型的教育框架而诞生的。 编写该指南的目的是平衡代码的可读性和计算性能,并提供大量文档,以更好地理解每个脚本的功能。 该库是用纯Python编写的,唯一使用的外部库是Numpy (科学研究的基本软件包)。 尽管所有常见的库都通过广泛的文档进行了关联,但对于新用户而言,通常很难在其中引用的许多超链接和论文中四处移动。 NumPyNet试
1
NumpyDL:Numpy深度学习库 内容描述 NumpyDL是: 基于纯Numpy / Python 对于DL教育 特征 其主要特点是: 纯洁的脾气暴躁 原生于Python 基本支持自动区分 提供了常用的模型:MLP,RNN,LSTM和CNN 几个AI任务的示例 对于玩具聊天机器人应用 文献资料 可用的在线文档: 最新文件 开发文档 稳定文档 可用的离线PDF: 最新PDF 安装 使用pip安装NumpyDL: $ > pip install npdl 从源代码安装: $ > python setup.py install 例子 NumpyDL提供了一些AI任务示例: 句子分类 示例/lstm_sentence_classification.py中的LSTM 例子中的CNN / cnn_sentence_classification.py mnist手写识
2024-02-23 17:06:34 16.61MB deep-neural-networks deep-learning
1
服务器状态检查中...