注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. SingleViewReconstruction:官方代码-源码

  2. 单视图重建 从单个视口进行3D场景重建 马克西米利安·丹宁格（Maximilian Denninger）和鲁道夫·特里贝尔（Rudolph Triebel） ECCV 2020接受论文。，， 作者（Maximilian Denninger）对论文进行了演讲，可以在找到。 概述 抽象的 我们提出了一种仅基于RGB图像和重建的法线图像从单个视口推断体积重建的新颖方法。为了克服在2D图像中遮挡3D区域的重建问题，我们建议从合成生成的高分辨率数据中学习此信息。为此，我们介绍了一种深层网络体系结构，该体

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：16mb
    • 提供者：weixin_42165490

  1. NVAE:NVAE的官方PyTorch实施-源码

  2. “ NVAE：深度层次变化自动编码器”的正式实现 · ·· 是一种深层次的变分自动编码器，可在多个图像数据集上训练基于SOTA似然性的生成模型。 要求 NVAE使用PyTorch 1.6.0在Python 3.7中构建。 使用以下命令安装要求： pip install -r requirements.txt 设置文件路径和数据 我们已经在几个数据集中检查了NVAE。 对于大型数据集，我们将数据存储在LMDB数据集中以提高I / O效率。 在每个数据集上单击下方，以查看如何准备数据。 下面的

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：973kb
    • 提供者：weixin_42139302

  1. Simple-web-Application-in-Domain-Adaptation-Using-Autoencoder-源码

  2. 使用卷积自动编码器的域自适应 在此存储库中，我使用卷积自动编码器在Manet数据集中实现了领域适应问题。 目录 任务描述 该数据集由成对的景观和来自kaggle-set A（ ）训练图像对的Monet风格化图像组成。 图像对包括图像和山水画。任务是使图像从一个域适应到另一个域。 超参数优化是使用Optuna（ ）完成的 资料夹结构 Monet-styled-dataset ├── Original_A - this folder contains landscapes ima

  3. 所属分类：其它

  1. mfvi-dip-源码

  2. MIDL2021提交代码MFVI深度映像优先 马尔特·托勒（MalteTölle），麦克斯·海因里希·拉夫斯（Max-Heinrich Laves），亚历山大·施莱夫 MIDL2021提交代码，用于医学成像逆问题的深场图像均值变分推理方法 抽象的 对于医学图像处理而言，利用卷积自动编码器网络的深层图像先验特性尤为有趣，因为它通过省略监督学习来避免产生幻觉。 它对较低频率的频谱偏差使其适用于诸如降噪和超分辨率之类的逆图像问题，但是必须应用手动提前停止才能充当低通滤波器。 在本文中，我们提出了一种使

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：15mb
    • 提供者：weixin_42142062

  1. Reconstruction-AutoEncoder:使用自动编码器进行伊朗字符重建-源码

  2. 重构自动编码器 使用自动编码器进行伊朗字符重建 讨论 在这个项目中，我们使用自动编码器来完成重建任务，特别是为了改善车牌中的扭曲字符，以改善目标检测中的字符识别（YOLOV3）。自动编码器分为两个部分：1）编码器2）解码器，当输入图像为转发给编码部分，图像的大小由卷积层和最大池化层减小，压缩后的图像表示为潜矢量，相反，解码层具有反卷积和上采样层，直到图像的大小增大为止。输入和输出将相等。 数据集 在自动编码器的左侧，我和我的同事使用伊朗车牌数据集在不同情况（光照，角度，天气条件等）下裁剪了数据集

  3. 所属分类：其它

  1. Recommendation-systems:推荐系统这是关于使用机器学习和深度学习技术建立推荐系统理论的研讨会-源码

  2. 推荐系统 推荐系统这是关于使用机器学习和深度学习技术构建推荐系统的研讨会 理论： ML和DL公式化，预测与排名，相似性，偏向与无偏 范例：基于内容，协作过滤，基于知识，混合和集成 数据：表格，图像，文本（序列） 型号：（深度）矩阵分解，自动编码器，宽和深度，等级学习，序列建模 方法：显式与隐式反馈，用户项矩阵，嵌入，卷积，递归，域信号：位置，时间，上下文，社交， 过程：设置，编码和嵌入，设计，训练和选择，服务和缩放，测量，测试和改进 工具： python-data-stack：numpy，p

  3. 所属分类：其它

  1. recommendation:使用ML和DL的推荐系统-源码

  2. 推荐系统 这是关于使用机器学习和深度学习技术构建推荐系统的研讨会 理论：ML和DL公式化，预测与排名，相似性，偏见与无偏见 范例：基于内容，协作过滤，基于知识，混合和集成 数据：表格，图像，文本（序列） 型号：（深度）矩阵分解，自动编码器，宽和深度，等级学习，序列建模 方法：显式与隐式反馈，用户项矩阵，嵌入，卷积，递归，域信号：位置，时间，上下文，社交， 过程：设置，编码和嵌入，设计，训练和选择，服务和缩放，测量，测试和改进 工具：python-data-stack：numpy，pandas

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：50mb
    • 提供者：weixin_42151305

  1. Domain-Adaptation-Using-Convolutional-AutoEncoder-源码

  2. 使用卷积自动编码器的域自适应 在此存储库中，我使用卷积自动编码器在Manet数据集中实现了领域适应问题。 基准线大量借鉴了以下Github链接（ ）和youtube页面（ ）。 目录 任务描述 该数据集由成对的景观和来自kaggle-set A（ ）训练图像对的Monet风格化图像组成。 图像对包括图像和山水画。任务是使图像从一个域适应到另一个域。 超参数优化是使用Optuna（ ）完成的 资料夹结构 Monet-styled-dataset ├── Original_A

  3. 所属分类：其它

  1. stacked_capsule_autoencoders-源码

  2. 堆叠式胶囊自动编码器 这段代码是从。 这是堆叠式胶囊自动编码器（SCAE）的Tensorflow实现，在以下论文中进行了介绍： ， ， 和 ， 。 作者：牛津大学牛津机器人学院和统计系的亚当·科西雷克（Adam R. Kosiorek） 电子邮件：adamk（at）robots.ox.ac.uk 网页： : 这项工作是在亚当（Adam）在多伦多的Google Brain实习期间完成的。 关于该项目 如果查看包含对象的自然图像，您将很快看到可以从各种视点捕获同一对象。 胶囊网络经

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：113kb
    • 提供者：weixin_42138525

  1. 简介到深度学习-源码

  2. HSE深度学习简介 此仓库目前包含编程任务！！！ 课程于八月更新。 此仓库也包含新编程任务的解决方案！！！ 第一周 ：-线性模型与优化 第二周 ：-带有TF的MNIST数字分类 _2_2：-Numpy NN（荣誉） 第三周 ：-您在CIFAR-10上的第一个CNN ：-对花的分类微调Inception V3 第四周 ：-简单的自动编码器 ; -生成对抗网络（Hohttps：//github.com/AKASH2907/Introduction_to_Deep_Learning_Co

  3. 所属分类：其它

    • 发布日期：2021-02-26
    • 文件大小：13mb
    • 提供者：weixin_42130786

  1. 细胞疟疾异常检测：用于细胞图像疟疾检测的自动编码器-源码

  2. BDOS 该项目包括通过自动编码器开发异常检测方法来识别带有疟疾的细胞。 在项目结束时，显示了自动编码器潜在空间的可解释性方法。

  3. 所属分类：其它

  1. 图像自动编码器-源码

  2. 图像自动编码

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：200kb
    • 提供者：weixin_42176612

  1. DL_Project：使用GAN进行DeepFake图像检测-源码

  2. 使用GAN进行DeepFake图像检测 深度学习项目-最终项目代码-团队ID：12 贡献者：Aditya Upadhyayula，Amrit Nidhi，Samarth Marudheri，Shreyash Kumar 数据链接： : 所有模型的精度和损耗图都将上载到plots文件夹中。 以下是按项目工作流程顺序提交的脚本的说明：git a convert_img.py ：脚本将.jpg图片缩小为64x64。 调整大小后，所有图像都存储为Numpy数组。 GAN_train.ip

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：694kb
    • 提供者：weixin_42101237

  1. 自动编码器-源码

  2. autoencoder_CIFAR10_CNN.py 卷积层的自动编码器概念。 输入是CIFAR-10的图像，输出是重建的图片图像。 autoencoder_MNIST_NN.py 自动编码器考虑了全连接层。 输入是MNIST的图像，输出是重构的数字图像。

  3. 所属分类：其它

  1. WFC3-DLN-异常检测器：使用深度学习和公共哈勃-WFC3数据来识别空间观测中的“异常”（对于HST和JWST）-源码

  2. WFC3-DLN-异常检测器 使用深度学习和公共哈勃/ WFC3数据识别太空观测中的“异常”（对于HST和JWST） 可以在找到我们深度学习的最新版本Hubble / WFC3图像异常检测器。 这个笔记本下载了Hubble Ultra Deep Field，并用它训练了卷积自动编码器。 然后重建HUDF的子部分，并将其与原始子帧并排比较以进行质量控制。 接下来，我们将异常注入到图像中，并确定自动编码器对这些异常的敏感性。

  3. 所属分类：其它

    • 发布日期：2021-02-14
    • 文件大小：76kb
    • 提供者：weixin_42133861

  1. CAE：将压缩自动编码器（CAE）应用于来自USC-SIPI图像数据库的图像数据-源码

  2. CAE模型 将压缩自动编码器（CAE）应用于来自USC-SIPI图像数据库的图像数据。 将压缩自动编码器（CAE）应用于来自USC-SIPI图像数据库的图像数据。 CAE模型来自 ，基于[1]。 这是一个正在进行的工作，模型的训练和模型本身是一个正在进行的工作 参考 [1]使用自动压缩编码器的有损图像压缩（ ）

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：12mb
    • 提供者：weixin_42164685

  1. 图像去离子使用自动编码器-源码

  2. 图像去离子使用自动编码器 在这个项目中 了解自动编码器背后的理论和直觉 导入密钥库，数据集并可视化图像 执行图像标准化，预处理并向图像添加随机噪声 使用Keras和Tensorflow 2.0作为后端构建自动编码器 编译Autoencoder模型并将其拟合到训练数据 使用各种KPI评估经过训练的自动编码器的性能

  3. 所属分类：其它

  1. Font-VAE：使用带卷积的变分自动编码器分析字体形状-源码

  2. Font-VAE：使用带有卷积神经网络的变分自编码器的字体形状分析 VAE架构 VAE具有模块化设计。 编码器，解码器和VAE是3种共享权重的模型。 训练VAE模型后，编码器可用于生成潜矢量。 通过从均值= 0和std = 1的高斯分布中采样潜矢量，可以将解码器用于生成字体图像。 编码器 解码器 使用的数据集 数据集大小=每个班级训练5000和验证1000 宽度，高度= 112、112 字体大小= 25 使用的字符=“ AaBbCcDdEeFfGgHhIiJjKkLlMmNnOoPpQqRrS

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：247mb
    • 提供者：weixin_42103587

  1. 变分自动编码器：以张量流和pytorch（包括逆自回归流）实现的变分自动编码器-源码

  2. 张量流和pytorch中的变体自动编码器 TensorFlow和PyTorch中可变自动编码器的参考实现。 我建议使用PyTorch版本。 它包括一个更具表达性的变分族的例子，。 变分推断用于使模型适合二值化MNIST手写数字图像。 推理网络（编码器）用于分摊推理并在数据点之间共享参数。 可能性通过生成网络（解码器）进行参数化。 博客文章： ： 具有重要性采样的示例输出，用于估计Hugo Larochelle的Binary MNIST数据集上的边际可能性。 测试集为-97.10边缘

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：12kb
    • 提供者：weixin_42136826

  1. ALAE：[CVPR2020]对抗性潜在自动编码器-源码

  2. [CVPR2020]对抗性潜在自动编码器 • • 官方文件库 阿拉伊 对抗性潜在自动编码器斯坦尼斯拉夫·皮德霍斯基，唐纳德·阿杰罗，吉安弗兰科·多雷托 摘要：自动编码器网络是一种无监督的方法，旨在通过同时学习编码器-生成器图来结合生成和表示属性。 尽管已进行了广泛的研究，但它们是否具有GAN的相同生成能力或学习解开表示法的问题尚未得到充分解决。 我们推出了一种自动编码器，可以共同解决这些问题，我们称之为对抗性潜在自动编码器（ALAE）。 它是一种通用架构，可以利用GAN培训程序的最新改进

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：205mb
    • 提供者：weixin_42102933
« 12 3 4 »