通过超高分辨率实现无损图像压缩 ，， 。 引文 @article { cao2020lossless , title = { Lossless Image Compression through Super-Resolution } , author = { Cao, Sheng and Wu, Chao-Yuan and and Kr{\"a}henb{\"u}hl, Philipp } , year = { 2020 } , journal = { arXiv preprint arXiv:2004.02872 } , } 如果您使用我们的代码库，也请考虑 概述 这是SreC在的正式实现。 SReC将无损压缩称为超分辨率问题，并将神经网络应用于图像压缩。 SReC可以在实际运行时对大型数据集实现最新的压缩率。训练，压缩和解压缩得到完全支持，并且是开源的。 入门 我们建

时空分割 该存储库包含的随附代码 。 变更记录 2020-05-19自提交以来，最新的Minkowski引擎不需要明确的缓存清除，并且可以更有效地使用内存。 2020-05-04：正如Thomas Chaton在上指出的那样，我还发现训练脚本包含一些错误，这些错误使模型无法达到使用最新MinkowskiEngine的Model Zoo中描述的目标性能。 我正在调试错误，但是发现错误有些困难。 因此，我从另一个私有创建了另一个git repo ，该达到了目标性能。 请参阅以获得ScanNet培训。 一旦发现错误，我将更新此存储库，并将SpatioTemporalSegmentation-ScanNet与该存储库合并。 抱歉，添麻烦了。 要求 Ubuntu 14.04或更高版本 CUDA 10.1或更高版本 pytorch 1.3或更高版本 python 3.6或更高版本 GCC 6或更高 安装 您需要通过pip或anaconda安装pytorch和 。 点子 MinkowskiEngine通过分发，可以通过pip进行简单安装。 首先，按照安装pytorch。 接下来，安装openbl

语音性别 语音和语音分析中的性别识别 阅读完整的。 该项目训练一种计算机程序，根据语音和语音的声学特性，将语音识别为男性还是女性。 该模型在包含3168个记录的语音样本的数据集中进行了训练，这些样本是从男性和女性说话者那里收集的。 语音样本在R中通过声学分析进行预处理，然后通过人工智能/机器学习算法进行处理，以学习特定于性别的特征，从而将语音分为男性或女性。 最好的模型在训练集上达到100％的精度，在测试集上达到89％的精度。 更新：通过将分析的频率范围缩小到0hz-280hz（），可以将最佳精度提高到100％/ 99％。 数据集 将预处理的下载为CSV文件。 CSV文件包含以下字段： “ meanfreq”，“ sd”，“ median”，“ Q25”，“ Q75”，“ IQR”，“ skew”，“ kurt”，“ sp.ent”，“ sfm”，“ mode”，“ centro

Monodepth2 这是参考PyTorch实施，使用以下方法描述的方法来训练和测试深度估计模型 挖掘自我监督的单眼深度预测 ， ，和 此代码仅供非商业使用； 请参阅中的条款。 如果您发现我们的工作对您的研究有用，请考虑引用我们的论文： @article{monodepth2, title = {Digging into Self-Supervised Monocular Depth Prediction}, author = {Cl{\'{e}}ment Godard and Oisin {Mac Aodha} and

使用2-D卷积神经网络对ECG心律失常进行分类。 使用2-D卷积神经网络对ECG心律失常进行分类。 这是本文的一种实现： : 该模型在MIT-BIH心律失常数据集上进行了训练。 在NVIDIA Tesla GPU上训练模型花费了60个小时。 这是模型权重的链接： : 该模型可以检测出6种类型的心律失常，即： 房性早搏（APC） 左束支传导阻滞（LBB） 节奏拍（PAB） 室性早搏（PVC） 右束支传导阻滞（RBB） 心室逃逸跳动（VEB） 该模型还可以预测ECG是否正常。 因此，模型可以预测7个类别。 使用模型 您可以从上面提到的链接下载模型。 运行main.py并提供所需的目录。 您可以输入一个CSV心电图文件或分段心电图节拍图像作为输入。 通常，您会得到一个带心电信号的csv文件。

pix2pix：使用生成对抗网络进行图像到图像的翻译

颜世伟 我们的目标是创建一个能够生成现实中不存在的逼真的人类图像的模型。 （将来，我将在GAN及其变体上上传一些用例）。 这些AI背后的技术称为GAN，即“生成对抗网络” 。 与其他类型的神经网络（GAN）相比，GAN采取的学习方法不同。 GAN的算法体系结构使用了两个神经网络，分别称为生成器和鉴别器，它们相互“竞争”以产生所需的结果。 生成器的工作是创建看起来逼真的假图像，而鉴别器的工作是区分真实图像和假图像。 如果两者均能正常工作，则结果是看起来像真实照片的图像。 GAN架构： 数据集可以从以下下载： : 您可以在上关注本文，以逐步了解它，并检查我的以进行实施。 输入图像样本： 输出：

太阳能预报 该项目是我最后一个学期的硕士学位课程工作的一部分。 此处的主要范围和目标是预测来自亚洲地理位置的年度太阳能发电量（取决于数据），然后减少产生的总软成本。 下文提供的文档和项目报告中详细介绍了这项工作。

A convolutional neural network for modelling sentences论文及翻译

Telegram-AI：Aikin 这是AIKIN的Telegram机器人的代码 该机器人是称为AIKIN的长期记忆AI（人工智能）。 AIKIN名称代表AI Artificial Intelligence Knowlege Input Notation 。 机器人的用户名是aikin_bot 您可以立即与其聊天！ 只需发送消息@aikin_bot或单击此链接： Aikin背后的技术是什么？ Aikin是一种深度机器学习人工智能，它基于RNN（递归神经网络），带有LSTM（长短期记忆）的聊天功能和ConvNet（卷积神经网络）的图像处理功能。 也： 该机器人具有内置的图像识别功能