针对水质污染的环境综合监测问题，提出了一种基于卡尔曼滤波和卷积神经网络的水质异常监测方法。 该方法采用Mask R-CNN图像分割方法对鱼进行分割，制作出鱼骨干和背景图像的正样本数据集和负样本数据集，并利用卷积神经网络训练数据集获得模型。 在跟踪过程中，使用RANSAC算法筛选SIFT特征，使用匹配和卡尔曼滤波器跟踪鱼并实时绘制运动轨迹。 每3秒保存一次运动轨迹，总共获得150000个正常和异常水质样本。 实验结果表明，基于卡尔曼滤波和卷积神经网络的水质异常识别率为98.5％，优于传统的水质识别方法。

道路裂缝检测神经网络 使用 keras 构建的卷积神经网络以 97.5% 的准确率检测道路裂缝。 这个 repo 包含一个 jupyter notebook 文件，用于正确理解图像数据集和模型训练。 #数据集

是一个库，可以使用不同的隐私训练PyTorch模型。 它支持在客户端上进行的代码更改最少的培训，对培训性能的影响很小，并允许客户端在线跟踪在任何给定时刻花费的隐私预算。 目标观众 此代码版本针对两个目标受众： ML从业者会发现这是培训差异性隐私模型的温和介绍，因为它需要最少的代码更改。 差异隐私科学家会发现这很容易尝试和修改，使他们能够专注于重要的事情。 安装 可以通过pip安装最新版本的Opacus： pip install opacus :warning_selector: 注意：这将带来最新版本的部门，它们在Cuda 10.2上。 如果您的环境使用的是较旧的Cuda版本（例如，Google Colab仍在Cuda 10.1上），则此方法将无效。 要在Colab上安装，请首先运行以下单元： pip install torchcsprng==0.1.3+cu101 -f https://download.pytorch.org/whl/torch_stable.html 然后，您可以像以前一样pip install opacus 。 在查看更多上下文。 您还可以直接从

布里萨帕蒂 :pushpin: 介绍 这是各种机器学习算法和实验的集合，通过遵循各种教程，文章博客等内容，这些知识已经在我这边实现了。 这些机器学习算法已在来自 ， 等的各种数据集上实现。 :check_mark: 资源 :collision: 笔记本和数据集 姓名 数据集 笔记本 亚马逊情绪分析 使用转移学习进行COVID-19检测 猫狗分类器 使用LSTM的聊天机器人 决策树 假新闻分类 性别预测 印地语字符识别 鸢尾花预测 K均值聚类 线性回归I 线性回归II 线性回归III 逻辑回归 MNIST时尚数据集 朴素贝叶斯 强化学习 葡萄酒数据集 时间序列分析 垃圾邮件检测 IMDB情绪分类 卫星影像分析

Kaggle的Quora重复问题检测比赛的解决方案 可以通过以下链接找到比赛： ://www.kaggle.com/c/quora-question-pairs使用该解决方案，我在3307个团队中排名第23（最高1％）。 考虑到其他顶级解决方案，这是一个相对轻量级的模型。 先决条件 从下载预训练的单词向量，即Gloves.840B.300d，并将其放入项目目录。 从下载火车和测试数据。 创建一个名为“数据”的文件夹并将其放入。 将所有软件包安装在requirements.txt中。 管道 该代码是用Python 3.5编写的，并在装有Intel i5-6300HQ处理器和Nvidia G

流量预测 交通预测是使用历史数据（时间序列）预测道路网络（图形）中未来交通测量（例如，体积，速度等）的任务。 通常可以通过排除来更好地定义事物，因此以下是我不包括的类似事物： 不包括纽约出租车和自行车（以及其他类似的数据集，例如uber），因为它们倾向于表示为网格而不是图形。 通过室内，通过兴趣点（POI）值机或通过运输网络来预测人员流动性。 预测轨迹。 通过传感器为自动驾驶汽车预测单个汽车的运动。 交通数据估算。 交通异常检测。 这些文件是随意选择的。 概括 纸上表格和公开数据集的表格摘要。 纸张按时间顺序反向排序。 不保证此表的完整性或准确性（如果发现任何错误，请提出问题）。 纸 会场 出版日期 ＃个其他数据集 麦德龙 PeMS-BAY PeMS-D7（M） PeMS-D7（L） PeMS-04 PeMS-08 环形 深圳出租车 损失环 PeMS-03 P

前馈神经网络PoC 带有反向传播的简单实现可概述一些AI知识。 用法 // crate a data set with input- and output-values DataSet train = DataSet.fromArray( // syntactic sugar new double[][] { new double[]{ ... }, ... }, // inputs new double[][] { new double[]{ ... }, ... } // expected ); FNN net = Trainer.builder( inputUnits , outputUnits ) // create a Builder

在FPGA上进行快速，可扩展的量化神经网络推理 FINN是Xilinx研究实验室的实验框架，旨在探索FPGA上的深度神经网络推理。 它专门针对，重点是生成为每个网络定制的数据流样式的体系结构。 由此产生的FPGA加速器是高效的，可以产生高吞吐量和低延迟。 该框架是完全开源的，以提供更高程度的灵活性，并且旨在使神经网络研究能够跨越软件/硬件抽象堆栈的多个层。 我们有一个单独的存储库 ，其中包含几个神经网络的预构建示例。 有关FINN的更多常规信息，请访问并查看。 入门 请参阅“页面，以获取有关需求，安装以及如何以不同模式运行FINN的更多信息。 由于项目依赖项的复杂性质，我们目前仅支持基于Docker的FINN编译器执行。 FINN有什么新功能？ 2020-12-17：发布了v0.5b（测试版），其中包括MobileNet-v1的新。 在 上阅读更多内容。 2020-09-21： v0.4b（beta）已发布。 在 上阅读更多内容。 2020-05-08： v0.3b（测试版）发布，最初支持卷积，并行转换，为MVAU提供更灵活的内存分配，吞吐量测试以及许多其他较小的改进和错误修

阿尔特罗斯·尤洛 最新的C＃实时对象检测系统（Visual Studio）。 该项目具有CPU和GPU支持，使用GPU可以更快地进行检测。 该项目的主要目标是易于使用yolo，该软件包可在nuget上使用，您只需安装两个软件包即可开始检测。 在后台，我们使用Windows Yolo版本的 。 将图像路径或字节数组发送到并接收检测到的对象的位置。 我们的项目旨在将对象类型和-position返回为可处理数据。 该库支持 NuGet 通过快速安装Alturos.Yolo PM> install-package Alturos.Yolo (C# wrapper and C++ dlls 28MB

cryptocurrency-price-prediction：使用LSTM神经网络的加密货币价格预测