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 {

matlab余玄函数代码规划知悉的轨迹预测（PiP） 正式实施“”（ECCV 2020）， 由，，和。 在新颖的计划-预测-耦合管道中，将自我车辆的计划告知多主体未来的预测。 有关更多详细信息，请参阅我们的/ /。 依存关系 conda create -n PIPrediction python=3.7 source activate PIPrediction conda install pytorch==1.2.0 torchvision==0.4.0 cudatoolkit=10.0 -c pytorch conda install tensorboard=1.14.0 conda install numpy=1.16 scipy=1.4 h5py=2.10 future 下载 原始数据集：下载，然后使用预处理将其处理为所需格式（.mat）。 处理后的数据集：从此处下载并将其保存在datasets /中。 训练有素的模型：从这里下载并保存在trained_models /中。 跑步 通过sh scripts/train.sh训练或运行 python train.py --name

死亡预测 电晕病毒死亡预测 作者：Mitchell Dryger，Laroy Milton，Mohammad Mosleh 设置 使用命令source setup_env.sh创建python虚拟环境，安装numpy，matplotlib，pandas，sklearn，seaborn，然后激活虚拟环境。 如果需要，请使用deactivate退出活动的虚拟环境。 用法 运行Project3.py步骤是： 确保source setup_env.sh至少已经运行过一次 运行source activate_env.sh激活虚拟python环境 运行python3 Project3.py以运行主项目文件， 如果需要，请使用deactivate退出活动的虚拟环境。 目录和文件 ./DataFiles/ Covid-60weeks.csv Health.csv Sanitation.csv

时间序列预测调查 该项目的目的是使用新颖的机器学习方法改进对时间序列的预测，并将其向前推进几步，以便更好地预测异常值，例如资产负债表上的异常。 安装 将此存储库克隆或下载到您的计算机。 安装Jupyter Lab（ pip install jupyterlab ）。 cd到存储库的目录。 使用以下命令启动Jupyter Lab： jupyter lab 。 笔记本可以在Jupyter Lab窗口中打开并运行。 所需的数据很轻，因此已经包含在此存储库中。

感应耦合射频等离子体球化过程数值模拟，佟健博，路新，本文利用感应耦合射频等离子体球化系统制备出了TiAl合金球形粉末,并利用数值模拟的方法对球化过程进行了研究。在对等离子体建立耦�

自主车辆的基于预测的GNSS欺骗攻击检测 python中基于预测的自动驾驶汽车GNSS欺骗攻击检测的实验实现更多信息，请参见

NLP医疗保健 使用MIMIC III中的结构化和非结构化数据预测30天ICU再次入院 数据处理 结构化数据 结构化网络的ETL过程可以在结构目录中找到在structured_etl_part1.scala和structured_etl_part2.py 非结构化数据 非结构化数据的所有数据处理脚本都包含在dataproc目录中。 使用data_processing_script.py处理NOTEEVENTS以获取单词向量。 使用get_discharge_summaries.py编写放电汇总 使用build_vocab.py从放电摘要构建vocab。 使用word_embeddings.py在所有单词上训练单词嵌入。 使用extract_wvs.py中的gensim_to_embeddings方法，用我们的vocab编写经过训练的单词嵌入。 造型 结构化网络 在struc_net

乳腺癌检测应用 使用机器学习XGBoost分类器的乳腺癌检测应用程序

乳腺癌预测

基于注意力的深度多实例学习 基于注意力的深度多实例学习可以应用于广泛的医学成像应用。 在项目“ ”@ ，我在 ICML 2018 论文“Attention-based Deep Multiple Instance Learning”（ ）中撰写了Keras版本这个 repo 为 Keras 用户分享解决方案。 可以在找到官方 Pytorch 实现。 我使用Tensorflow后端建造它与Keras。 我编写了论文中描述的注意力层，并在结肠图像中进行了 10 倍交叉验证的实验。 我得到了论文中描述的非常接近的平均准确率，可视化结果如下所示。 部分代码来自 。 在训练模型时，我们只使用图像级标签（0 或 1 以查看它是否是癌症图像）。 注意层可以通过仅呈现积极补丁的一小部分子集来提供对决策的解释。 我的实施结果 数据集 结肠癌数据集 已处理的补丁 我把我处理的数据放在这里，你也可以