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. 可视化理解卷积神经网络

  2. Matthew D. Zeiler and Rob Fergus经典论文，最近Krizhevsky等人展示了大型卷积网络模型在基准数据集ImageNet上的令人印象深刻的分类性能[18]。然而，对于他们为什么表现如此出色以及他们如何改进这一点并不清楚。在本文中，我们探讨了这两个问题。我们介绍一种新颖的可视化技术，可以深入了解中间要素图层的功能和分类器的操作。基于这些可视化的决断，使我们能够找到比Krizhevsky等人的模型更好的架构。在ImageNet分类基准数据集上，我们也进行消融研究，以

  3. 所属分类：深度学习

    • 发布日期：2017-11-12
    • 文件大小：1mb
    • 提供者：lcpxrt

  1. st-gcn时空图卷积神经网络

  2. Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition. 图卷积神经网络，2018年AAAI论文代码。

  3. 所属分类：深度学习

    • 发布日期：2018-12-11
    • 文件大小：19mb
    • 提供者：weixin_38635229

  1. 图卷积神经网络的变种与挑战

  2. 图神经网络的相关论文ppt

  3. 所属分类：深度学习

    • 发布日期：2019-02-20
    • 文件大小：1mb
    • 提供者：qq_20001941

  1. 《图卷积神经网络》中文综述论文

  2. 过去几年,卷积神经网络因其强大的建模能力引起广泛关注,在自然语言处理、图像识别等领域成功应用。然而,传统的卷积神经网络只能处理欧氏空间数据,而现实生活中的许多场景,如交通网络、社交网络、引用网络等,都是以图数据的形式存在。

  3. 所属分类：机器学习

    • 发布日期：2020-05-19
    • 文件大小：3mb
    • 提供者：syp_net

  1. GCN大佬Thomas Kipf博士论文《深度学习图结构表示》

  2. Thomas Kipf是阿姆斯特丹大学博士生，是GCN作者。最近他毕业博士论文公布了，《深度学习图结构表示》178页pdf阐述图卷积神经网络等机制与应用，包括作者一系列原创图深度学习工作，有GCN、GAE等，是研究该领域不可缺少的阅读文献。

  3. 所属分类：机器学习

    • 发布日期：2020-05-07
    • 文件大小：8mb
    • 提供者：syp_net

  1. CNN可视化& 反卷积.zip

  2. 2014 ECCV 深度学习卷积神经网络开始之作，CNN可视化，介绍了CNN不同层的作用及特征图的可视化，2011 ICCV 可视化反卷积论文

  3. 所属分类：深度学习

    • 发布日期：2020-04-30
    • 文件大小：37mb
    • 提供者：xiao_9626

  1. 卷积神经网络的mnist手写数字识别

  2. 手写数字识别的Tensorflow完整代码，### 1. MNIST机器学习入门 **1.1.1 简介** 下载MNIST数据集，并打印一些基本信息： ``` python download.py ``` **1.1.2 实验：将MNIST数据集保存为图片** ``` python save_pic.py ``` **1.1.3 图像标签的独热表示** 打印MNIST数据集中图片的标签： ``` python label.py ``` *

  3. 所属分类：深度学习

    • 发布日期：2020-03-20
    • 文件大小：35kb
    • 提供者：baidu_39629638

  1. 基于卷积神经网络的星座图识别.zip

  2. 基于卷积神经网络的星座图识别，可通过此程序直接出相关论文。适用于硕士、学士论文、毕业设计

  3. 所属分类：深度学习

    • 发布日期：2019-07-07
    • 文件大小：187mb
    • 提供者：weixin_41516634

  1. 基于卷积神经网络的车牌照字符识别研究

  2. 基于卷积神经网络的车牌照字符识别研究310 第十二届全国图象图形学学术会议 以充分利用人的经验来获取模式特征以及神经网 来正确识别所有样本;Uc4层是网络的输出层即识 终分类能力来识别字符,特征提取必须能反应整 个字符的特征,才能达到较高的识别率;后者则 别层,显示网络最终的模式识别结果。 省去特征抽取,将整个字符直接作为神经网络的 差异提取层Uc的输出姐式(1)所示 输入。这种方式虽然在一定程度上增加了神经网 络结构的复杂度,但是网络的抗干扰性能和识别 n(n,)=max{(-)∑a()l(n

  3. 所属分类：机器学习

    • 发布日期：2019-04-19
    • 文件大小：268kb
    • 提供者：suiyu_eran

  1. awesome-self-supervised-gnn:关于图神经网络（GNN）的预训练和自我监督学习的论文-源码

  2. 很棒的自我监督 关于图神经网络（GNN）上自我监督学习的论文。如果您认为缺少与相关主题相关的论文，请随时通过问题或请求请求告知我们。 2021年 [arXiv 2021]使用基于子结构对比的图形表示学习进行药物目标预测 [arXiv 2021]通过元学习进行图神经网络的自我监督辅助学习 [arXiv 2021]图自我监督学习：一项调查 [arXiv 2021]迈向鲁棒图对比学习 [arXiv 2021]动态图神经网络的预训练 [arXiv 2021]图神经网络的自我监督学习：统一审查

  3. 所属分类：其它

  1. Saudi-Riyal-Image-Recognition:卷积神经网络的沙特里亚尔图像识别-源码

  2. 沙特里亚尔图像识别 演示版 概述 这是一个简单的图像分类Flask应用程序，在Keras API的顶部进行了培训。 经训练的模型（ cnnModel.h5 ）拍摄图像（沙特阿拉伯里亚尔）作为输入，并从1，5，10，20，50，100，200，500面额预测类的图像。 动机 当我浏览一些研究论文时，对货币图像进行分类的想法震惊了我。 我找不到与之相关的任何相关研究论文（当然还有数据集！）。 这导致我收集了沙特阿拉伯里亚尔的图像，并使用惊人的工具来训练深度学习模型。 技术方面 该项目分为三个部分：

  3. 所属分类：其它

    • 发布日期：2021-03-14
    • 文件大小：470kb
    • 提供者：weixin_42172972

  1. Graph-Neural-Network-Note:一个了解图神经网络的博客-源码

  2. 从图（Graph）到图卷积（Graph Convolution）：漫谈图神经网络 Github Markdown对Latex的支持不好，推荐移步阅读，之后会同步更新。 笔者最近看了一些图与图卷积神经网络的论文，深感其强大，但一些调查或教程替换了读者对图神经网络背景知识的了解，对未学过信号处理的读者不太友好。同时，，很多教程只讲是什么，不讲为什么，也没有梳理清楚不同网络结构的区别与设计初衷（Motivation）。 因此，本文试图建立图神经网络的历史脉络，从初步基于不动点理论的图神经网络（图神经网

  3. 所属分类：其它

  1. saliency-2016-cvpr:浅层和深层卷积网络用于显着性预测-源码

  2. 浅层和深层卷积网络用于显着性预测 该论文在 （*） （*） （*）平等贡献 之间的联合合作： 抽象的 传统上，基于神经科学原理通过手工制作的功能解决了图像显着区域的预测问题。 但是，本文通过训练卷积神经网络（convnet），以完全数据驱动的方法解决了该问题。 学习过程被表述为损失函数的最小化，该损失函数使用提供的地面真实性来测量预测显着性图的欧几里得距离。 最近发布的显着性预测大型数据集提供了足够的数据来训练快速而准确的端到端体系结构。 提出了两种设计：从头开始训练的浅层卷积网络，以及另

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：680kb
    • 提供者：weixin_42099530

  1. 高速公路：高速公路的存储库：基于自同构的图神经网络-源码

  2. 概述 该存储库代码用于论文《高速公路：基于自同构的图神经网络》 。 与大多数图神经网络（其中神经元与单个图顶点相关联）相反，高速公路中的神经元对应于子图。 然后，每个神经元都应用与每个子图的同构组等价的卷积，然后是固定的非线性。 确保神经元与局部自同构群是等变的，足以使整个网络与输入的排列是等变的。 在我们的代码中，我们构建了一个高速公路网络，其中神经元对应于每个图中的路径和循环。 产生的神经元反映了我们对化学图的领域知识，并保留了在顺序数据上进行卷积的直观含义。 免费软件：MIT许可证 安

  3. 所属分类：其它

    • 发布日期：2021-03-03
    • 文件大小：106kb
    • 提供者：weixin_42129113

  1. 图深度学习(GraphDL)，下一个人工智能算法热点

  2. 【导读】最近，DeepMind、Google大脑、MIT等各大研究机构相继发表了一系列的关于图深度学习的论文，包括关系性RNN、关系性深度强化学习、图卷积神经网络等，这是否预示这是下一个AI算法热点。专知整理了最近图深度学习相关的热点论文，一文看晓。1.Relationalinductivebiases,deeplearning,andgraphnetworks（图网络深度学习综述文章）首先就是这篇由DeepMind、Google大脑、MIT、爱丁堡大学27个作者发表的37页关于关系归纳偏置、典

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：417kb
    • 提供者：weixin_38738005

  1. CQCNN-Project：使用卷积神经网络通过量子游走预测量子优势-源码

  2. 物理490：CQCNN项目 描述 对于Phys 490最终项目，论文“用卷积神经网络通过量子游走预测量子优势”被选为要重新创建的主题。 在此仓库中，以邻接矩阵的形式生成随机无向图，其中对图执行量子和经典随机游动，以确定图的标签。 实现了一个称为CQCNN的卷积神经网络，该网络接收邻接矩阵的输入，并经过训练以对随机图是否通过经典行走或量子行走更快进行分类。 依存关系 麻木 pygame matplotlib 网络 大熊猫 斯克莱恩 tqdm 火炬 运行pip install -r requi

  3. 所属分类：其它

    • 发布日期：2021-02-22
    • 文件大小：132kb
    • 提供者：weixin_42116847

  1. SetCoverSolver：卷积神经网络，用于将加权集覆盖问题的实例分类为最优化的多项式时间近似算法-源码

  2. 拉伯·伯奇（Rabo Birch），丹尼尔·弗兰克斯（Daniel Firebanks），艾米丽·哈姆林（Emily Hamlin），克里斯蒂安·伊科库克（Christian Ikeokwu） SetCoverSolver 项目描述 可以使用多种近似算法解决集合覆盖问题。 但是，这些近似算法将根据集合覆盖的实例而具有不同的性能，因此没有一种“一刀切”的近似方法。 根据要解决的问题的类型，某些算法可能会导致更高的准确性或更快的运行时间。 我们想通过建立一个机器学习模型来解决这个问题，该模型能够采用

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：16mb
    • 提供者：weixin_42168555

  1. 纹理合成-使用卷积神经网络：论文的Tensorflow实现-“使用卷积神经网络进行纹理合成”-源码

  2. 卷积神经网络的纹理合成 Tensorflow实现的论文-“使用卷积神经网络进行纹理合成” 在此笔记本中，我们将基于给定的纹理生成新的纹理。 输出将从刮擦噪声图像生成。 该过程的步骤如下。 同样，创建笔记本是为了便于自学。 步骤1：预处理输入图像 步骤2：计算输入图像所有图层的输出。 步骤3：什么是损失函数，并计算损失函数。 步骤4：运行Tensorflow模型以最小化损耗并优化输入噪声变量。 步骤5：后期处理并显示图像。 第6步：自动化处理流程 步骤7：绘制成功结果。 结果： 档案：

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：17mb
    • 提供者：weixin_42113754

  1. johnny：johnny-基于神经网络图的DEPendency解析器-源码

  2. 约翰尼-依赖解析器 对于英语和希腊语的Web可视化，请参见。 约翰尼是什么？ 这是使用实现的基于图的弧因子神经依赖性解析器的实现。 请注意，如果要使用GPU进行训练，则使用的链接器的版本为v3.5.0和cupy v2.5.0（请参阅requirements.txt）。 该解析器可以使用3种编码器。 ，一种对单词进行编码的双向LSTM编码器。 ，一种双向LSTM编码器，用于在字符级别上对单词进行编码。 ，一种卷积神经网络编码器，可在字符级别对单词进行编码。 该实现基于可以在“参考”

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：47kb
    • 提供者：weixin_42107561

  1. 使用MCNN进行人群计数：使用多列卷积神经网络对ShanghaiTech数据集进行人群计数-源码

  2. 使用MCNN进行人群计数-MindSpark Hackathon 2018 使用多列卷积神经网络对ShanghaiTech数据集进行人群计数。 这是CVPR 2016论文“通过多列卷积神经网络进行单图像人群计数”的非正式实施。 注意：可以做出预测。 有关热图生成的工作正在进行中。 安装 安装Tensorflow和Keras 安装OpenCV 克隆此存储库（以防您不想训练模型并希望使用预先训练的模型）。 资料设定 从以下位置下载ShanghaiTech数据集： 投寄箱： ：//www.d

  3. 所属分类：其它

« 12 »