CVPR2021纸的代码 零镜头实例分割 规范要求 的Python：python3.7 英伟达GPU pytorch1.1.0 GCC> = 5.4 NCCL 2 require.txt中的其他python库 安装 conda create -n zsi python=3.7 -y conda activate zsi conda install pytorch=1.1.0 torchvision=0.3.0 cudatoolkit=10.0 -c pytorch pip install cython && pip --no-cache-dir install -r requirements.txt python setup.py develop 数据准备 从下载zsi的训练和测试注解文件，将所有json标签文件放入 data/coco/annotations/ 下载MS

零DCE 零参考深曲线估计的Pytorch实施以实现低光图像增强（ ）。 使用活页夹访问笔记本： 在Wandb上找到培训日志： ://wandb.ai/19soumik-rakshit96/zero-dce 结果 嘈杂结果示例 引文 @article{2001.06826, Author = {Chunle Guo and Chongyi Li and Jichang Guo and Chen Change Loy and Junhui Hou and Sam Kwong and Runmin Cong}, Title = {Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement}, Year = {2020}, Eprint = {arXiv:2001

这是发表在CVPR2018上的超分辨率论文代码，欢迎各位下载！

OpenAI 成功训练了一个能够从文本标题生成图像的网络。 它与 GPT-3 和 Image GPT 非常相似，并产生了惊人的结果。

近年来，零样本学习（ZSL，zero-shot learning）已经在大量的任务中受到了广泛的关注。本文为大家带来了南洋理工大学的零样本学习最新综述，希望对大家有所帮助。 A Survey of Zero-Shot Learning: Settings, Methods, and Applications

相对属性 用于图像分类和零镜头学习的视觉相对属性的Python实现 描述 此实现引用论文“ Relative Attributes, D. Parikh and K. Grauman, International Conference on Computer Vision (ICCV), 2011 。 作者给出的原始代码在matlab中。 此仓库包含用于从头开始使用牛顿优化来学习相对排名功能的python代码。 使用高斯混合模型的零射击学习也是在python中实现的。 实施细节 包含使用牛顿方法的rank svm的实现。 和 分别是用于零击学习的训练和测试文件。 此实现中使用了来自'PubFig'数据集的预提取要点特征。 要训​​练新的数据集， 模块和 可用于提取要点特征。 读取学习的排名功能，预处理的数据等，并将其保存在 目录。

Zero-Shot Learing零样本学习数据集分享（GoogleNet 提取）-附件资源

迁移学习

该程序是看了网上一篇论文后进行了复现包括了基础复现和原文复现（原文复现使用了pytorch框架）在该资源包中附带复现的论文，语义空间矩阵，相关程序，还有数据集的相关说明（由于数据集过大，请自行下载数据集）