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. 美团点评2018技术年货-算法

  2. 美团点评2018技术年货-算法 美团“猜你喜欢”深度学习排序模型实践 美团大脑：知识图谱的建模方法及其应用 深度学习在美团搜索广告排序的应用实践 美团深度学习系统的工程实践 美团餐饮娱乐知识图谱——美团大脑揭秘 美团在O2O场景下的广告营销 美团外卖骑手背后的AI技术 基于TensorFlow Serving的深度学习在线预估 强化学习在美团“猜你喜欢”的实践 深度学习在文本领域的应用 机器学习在美团配送系统的实践：用技术还原真实世界 如何基于深度学习实现图像的智能审核？ 深度学习在OCR中的

  3. 所属分类：机器学习

    • 发布日期：2019-01-25
    • 文件大小：49mb
    • 提供者：jsyzxq2001

  1. 基于深度学习的图像分割研究_张明月

  2. 基于深度学习的图像语义分割的主要思路是，使用像素级标注的图像，利用上采样、反卷积等特殊层，将普通卷积网络提取到的特征再还原回原图像尺寸，从而实现一种端到端的学习。本文在借鉴已有网络的基础上，提出了一种叫Fast-Seg Net的网络新架构，新架构使用了最新的残差网络结构，结合了稀疏卷积、分解卷积等操作，配合批归一化，将网络深度做到了 28层，在提高了精度的同时，依然保持了运行的速度。通过迁移学习的训练方法，加快了网络的收敛速度和精度。另外，本文提出了一套对图像进行像素级标注的工具和流程,并编写

  3. 所属分类：深度学习

    • 发布日期：2019-02-06
    • 文件大小：3mb
    • 提供者：fchfox

  1. 美团点评技术汇集——算法篇

  2. 目录 - 算法篇 美团“猜你喜欢”深度学习排序模型实践 ...................................................................... 4 美团大脑：知识图谱的建模方法及其应用 ...................................................................... 16 深度学习在美团搜索广告排序的应用实践 ....................................

  3. 所属分类：计算广告

    • 发布日期：2019-04-11
    • 文件大小：42mb
    • 提供者：weixin_40810780

  1. 多元图像复原（计算机视觉）Pluralistic Image Completion

  2. Abstract Most image completion methods produce only one result for each masked input, although there may be many reasonable possibilities. In this paper, we present an approach for pluralistic image completion – the task of generating multiple and

  3. 所属分类：深度学习

  1. 【文档】PyTorch中文版官方教程来了…

  2. 本文转自『机器之心』 PyTorch 是近年来较为火爆的深度学习框架，然而其中文版官方教程久久不来。近日，一款完整的 PyTorch 中文版官方教程出炉，读者朋友可以更好的学习了解 PyTorch 的相关细节了。教程作者来自 pytorchchina.com。 教程网站：http://pytorch123.com 教程里有什么 教程根据 PyTorch 官方版本目录，完整地还原了所有的内容。包括简单的环境搭建、快速入门相关 API、高级操作、图像处理实战、文本处理实战、GAN 和强化学习等，基

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：268kb
    • 提供者：weixin_38617602

  1. 结构-纹理分解下基于深度学习的卷积神经网络的有效去除伪像的方法

  2. 鉴于压缩退化图像的最佳恢复，本文提出了一种基于深度学习的卷积神经网络，在结构纹理分解的基础上，去除块状伪影的有效方法。 首先，通过总变化优化决策将退化图像分解为结构和纹理两部分。 然后，设计一个卷积神经网络以消除纹理部分中存在的阻塞伪像。 最后，将恢复的纹理部分与结构部分进行合成，以形成最终的最佳恢复图像。 实验结果证明了该方法在主观和客观上都可以消除阻塞伪像的性能优势。 最佳还原图像的客观质量指标。

  3. 所属分类：其它

  1. video-colorizer:视频着色器| DeOldify Colab测试（2021）-源码

  2. 视频着色器| DeOldify Colab测试（2021） 基于深度学习的项目，用于为旧图像（和视频）着色和还原！ 来源DeOldify： :

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：382kb
    • 提供者：weixin_42157188

  1. 深度学习之图像修复

  2. 本文来自于csdn，文章介绍了一种基于CNN的图像复原方法，包括CNN网络结构，关于内容生成网络的训练和LossNN的定义等相关内容。图像修复问题就是还原图像中缺失的部分。基于图像中已有信息，去还原图像中的缺失部分。从直观上看，这个问题能否解决是看情况的，还原的关键在于剩余信息的使用，剩余信息中如果存在有缺失部分信息的patch，那么剩下的问题就是从剩余信息中判断缺失部分与哪一部分相似。而这，就是现在比较流行的PatchMatch的基本思想。CNN出现以来，有若干比较重要的进展：被证明有能力在C

  3. 所属分类：其它

    • 发布日期：2021-03-03
    • 文件大小：838kb
    • 提供者：weixin_38628175

  1. DeOldify：一个基于深度学习的项目，用于对旧图像（和视频）进行着色和还原-源码

  2. 取消旧版 快速入门：使用DeOldify（免费！）的最简单方法是在此处： DeOldify图像着色的最高级版本仅在此处可用。 免费尝试一些图片！ 图片（艺术） | 视频 NEW使用默认的图像着色器（又称“艺术”）有麻烦吗？ 请尝试以下“稳定”的方法。 它通常不会产生像“艺术”一样有趣的颜色，但是毛刺明显减少了。 图像（稳定） 老爱尔兰在Colour的John Breslin的视频教程表格中提供了有关如何使用上述Colabs的说明。 这很棒！ 点击下面的视频图像观看。 在获取更多更新

  3. 所属分类：其它

    • 发布日期：2021-02-16
    • 文件大小：104kb
    • 提供者：weixin_42175776

  1. 参差不齐：在AWS和GCP实例上训练深度学习模型-源码

  2. Spotty大大简化了在和上进行深度学习模型的培训： 它使在GPU实例上的训练与在本地计算机上的训练一样简单 它会自动管理所有必要的云资源，包括图像，卷，快照和SSH密钥 它使每个人都可以通过几个命令在云中训练您的模型 它使用轻松地将远程进程与其终端分离 通过使用和它可以为您节省多达70％的成本 文献资料 请参阅。 阅读文章中对于现实世界的例子。 安装 要求： Python> = 3.6 如果使用的是AWS，请参阅AWS CLI（请参阅）。 如果您使用的是GCP，请使用Googl

  3. 所属分类：其它

    • 发布日期：2021-02-01
    • 文件大小：581kb
    • 提供者：weixin_42165018

  1. 深度学习之图像修复

  2. 本文来自于csdn，文章介绍了一种基于CNN的图像复原方法，包括CNN网络结构，关于内容生成网络的训练和Loss NN的定义等相关内容。图像修复问题就是还原图像中缺失的部分。基于图像中已有信息，去还原图像中的缺失部分。从直观上看，这个问题能否解决是看情况的，还原的关键在于剩余信息的使用，剩余信息中如果存在有缺失部分信息的patch，那么剩下的问题就是从剩余信息中判断缺失部分与哪一部分相似。而这，就是现在比较流行的PatchMatch的基本思想。 CNN

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：838kb
    • 提供者：weixin_38538021

  1. 深度学习_GAN_Pix2Pix

  2. 匹配数据的图像转换 Pix2Pix在图像到图像的转换这个领域中有很好的应用，它能够面向所有匹配图像数据集的训练和生成。 匹配数据集是指在训练集中两个互相转换的领域之间有很明确的一一对应数据。比如下面的三个例子： 在工程实践中研究者需要自己收集这些匹配数据，但有时同时采集两个不同领域的匹配数据是非常麻烦的，通常采用的方案是从更完整的数据中还原简单数据。 有了匹配数据集的存在，深度学习领域的研究者已经尝试使用卷积神经网路来解决这类“图像翻译问题”，但是最终的图像转换会非常模糊，因为卷积神经网络

  3. 所属分类：其它

  1. DGANS：基于双重生成式对抗网络的稳健图像隐写模型

  2. 深度卷积神经网络可有效地应用于大容量图像信息隐写，然而其稳健性研究却鲜有报道。双重生成式对抗网络（DGANS）模型对深度学习框架应用于图像隐写时，针对小幅度几何变换攻击进行了优化设计，从而提高模型的稳健性。DGANS由2个串联的生成式对抗网络构成，可将灰度图像隐藏到相同大小的彩色或灰度图像中并还原。通过对生成的含密图像进行数据增强并进一步强化训练提取网络，使提取网络对输入图像的几何变换具有适应性。实验结果表明，DGAN不仅可以实现高容量的图像信息隐写，而且可以对抗一定范围内的几何攻击，比同类模型

  3. 所属分类：其它