在Tensorflow中使用记忆增强神经网络进行一枪学习。
更新：添加了对Tensorflow v1 *的支持。
本文采用记忆增强神经网络的一站式学习的Tensorflow实现。
目前的执行进度：
实用功能：
图像处理器
指标（精度）
相似度（余弦相似度）
LSTM控制器和存储单元
批处理发生器
Omniglot测试人员代码
通过自动编码器进行无监督功能学习
牛/新出生识别
基准数据集是。 所有数据集都应放置在文件夹中。
亚当·桑托罗，谢尔盖Bartunov，马修Botvinick，大安Wierstra，蒂莫西Lillicrap，一次性学习与记忆，增强神经网络，[ ]
2023-02-20 15:41:12
18KB
1
自己写的ping代码实现，可以实现one-shot和continue两种模式，非常好用
2022-10-15 13:03:32
125KB
1
具有共同注意和共同激励的一站式目标检测
介绍
谢婷一，罗以晨，陈焕宗，刘廷- 神经信息处理系统（NeurIPS），2019年，
该项目是One-Shot Object Detection的纯pytorch实现。 大多数代码是从。
我们正在做和将要做的
支持tensorboardX
上载ImageNet预训练模型。
提供参考图片。
提供检查点模型。
训练PASCAL_VOC数据集
准备
首先，克隆代码
git clone https://github.com/timy90022/One-Shot-Object-Detection.git
1.先决条件
Ubuntu 16.04
Python或3.6
火炬1.0
2.数据准备
可可：也请按照中的说明准备数据。 请参阅此存储库中提供的脚本。
3.预训练模型
我们在实验中使用ResNet50作为预训练模型。 通过排除所有与COCO
2022-09-15 08:16:59
1.59MB
1
Siamese Neural Networks for One-shot Image Recognition，关于用于一次性图像识别的连体神经网络的论文，方便深入图像深度学习
2022-08-27 09:07:14
1.03MB
1
FairMOT
单次多对象跟踪的简单基准：
，张以夫，王春雨，王兴刚，曾文俊，刘文宇arXiv技术报告（ ）
抽象的
近年来，作为多目标跟踪的核心组件的目标检测和重新识别取得了显着进展。但是，很少有人关注在单个网络中完成两项任务以提高推理速度。沿此路径进行的初始尝试最终导致结果降低，这主要是因为未正确学习重新标识分支。在这项工作中，我们研究了故障背后的根本原因，并因此提出了解决问题的简单基准。在30 FPS时，它的性能明显优于MOT挑战数据集上的最新技术。我们希望这个基准可以启发并帮助评估该领域的新想法。
消息
（2020.09.10）FairMOT的新版本发布了！ （在MOT17上为73.7 MOTA）
主要更新
我们使用自我监督的学习方法在CrowdHuman数据集上对FairMOT进行了预训练。
要检测图像外部的边界框，我们使用左，上，右和下（4通道）来替换WH头（2通道）。
2022-05-02 16:19:42
42.51MB
1
使用基于内核的激活功能为一击学习改善暹罗网络（ ）
人类通过很少的示例学习新事物，例如，一个孩子可以从一张图片中概括“狗”的概念，但是机器学习系统需要大量示例来学习其功能。 特别是当受到刺激时，人们似乎能够快速理解新概念，然后在将来的感知中认识到这些概念的变体。 机器学习作为一个领域已经在各种任务（例如分类，Web搜索，图像和语音识别）上取得了巨大的成功。 但是，这些模型通常在低数据情况下效果不佳。 '
这是一次射击学习背后的主要动机。 用较少的示例训练模型，但无需大量重新训练即可将其推广到不熟悉的类别。
引文
如果您发现我们的代码有用，请考虑使用bibtex引用我们的工作：
@incollection{jadon2021improving,
title={Improving Siamese Networks for One-Shot Learning Using Kerne
2022-03-29 15:07:37
12.43MB
1
使用暹罗网络进行脱机签名验证
使用暹罗卷积神经网络进行脱机签名验证。
数据集=>
上面的数据集包含160个个体的印地语签名和100个个体的孟加拉语签名。
我只使用了印地语签名数据集。
参考：
2021-11-04 19:22:54
480KB
1
单路径一枪NAS
此存储库提供了Zichao Guo等人基于Pytorch的SPOS（）的实现。 al。
此仓库仅包含“块搜索”以供参考。 在ImageNet上训练该网络非常耗时，这使我无法在现有资源下完成实验。 因此，此回购协议主要集中在CIFAR-10上，非常感谢Zichao Guo在某些细节上的建议。
但是，与仍有一些差异，例如数据预处理和一些超级参数。
我已经对CIFAR-10数据集进行了超网训练，并随机采样了1K模型进行验证。 模型检查点和精度分布如下：
超级网
随机搜索
环境环境
Python == 3.6.8, Pytorch == 1.1.0, CUDA == 9.0.176, cuDNN == 7.3.0, GPU == Single GTX 1080Ti
数据集
SPOS可以直接在CIFAR-10和ImageNet上进行训练。 可以使用此代码自动下载CIFA
2021-09-22 18:33:07
101KB
1
动手使用Python进行元学习：使用Tensorflow使用一键式学习，MAML，爬行动物，Meta-SGD等进行学习学习
2021-09-06 19:38:20
36.59MB
1