冲浪算法matlab代码冲浪 提升稀疏和低秩张量回归 arXiv 下载： 我们已经包含了代码的详细注释。 您可以先通过代码生成模拟数据，然后运行我们的 SURF 算法进行训练和测试。 该代码是使用 Tensorlab 工具箱为 MATLAB 编写的。 我们将很快发布一个 Python 实现。

通过生成多列卷积神经网络进行图像修复 ，，，，。 带有矩形遮罩的Places2，CelebA-HQ和Paris街景的结果。 在Places2和CelebA-HQ上随机抽奖的结果。 介绍 该存储库适用于NeurIPS 2018论文`` ''。 如果我们的方法对您的研究有用，请考虑引用： @inproceedings{wang2018image, title={Image Inpainting via Generative Multi-column Convolutional Neural Networks}, author={Wang, Yi and Tao, Xin and Qi,

NeurIPS 2020已经开完会，本文发现元学习（Meta Learning）相关的接受paper不少，元学习在CV、NLP等各个领域的应用也比较火热，值得研究者们细心学习。

Matlab的耳语反向交叉熵训练 反向交叉熵训练（RCE）是一种新颖的训练方法，它可以学习更多区分特征的表示形式以检测对抗性示例。 技术细节在以下内容中指定： （NeurIPS 2018） 庞天宇，杜超，董银鹏和朱俊 训练 我们提供有关MNIST和CIFAR-10的培训代码。 我们的代码基于。 先决条件： 安装TensorFlow 1.9.0（Python 2.7）。 下载/数据集。 如何运行： 使用RCE在MNIST上训练ResNet-32的示例： python train.py --train_data_path= ' mnist_dataset/data_train.bin ' \ --log_root=models_mnist/resnet32 \ --train_dir=models_mnist/resnet32/train \ --dataset= ' mnist ' \ --num_gpus=1 \ --num_residual_units=5 \ --mode=train \ --Optimizer= ' mom ' \ --total_steps=20000 \ --

多任务学习作为多目标优化 该代码存储库包含的源代码： Multi-Task Learning as Multi-Objective Optimization Ozan Sener, Vladlen Koltun Neural Information Processing Systems (NeurIPS) 2018 实验框架基于PyTorch。 但是，所提出的算法（MGDA_UB）在很大程度上是Numpy的，没有其他要求。 因此，将其扩展到其他深度学习框架应该是微不足道的。 PyTorch版本在min_norm_solvers.py实现，仅使用Numpy的通用版本在min_norm_solvers.py文件中min_norm_solvers_numpy.py 。 此回购所包含的内容不只是本文的实现。 它同时采用了Frank-Wolfe和投影梯度下降法。 它还具有智能的初始化和梯度归一化

解读NeurIPS-AutoDL总决赛冠军解决方案，代码已开源.docx

数据库技术网 我们的NeurIPS'19论文的代码的MXNet版本 双线性特征变换在学习细粒度图像表示中显示了最新的性能。 提出的DBTNet可以将双线性特征深深地集成到CNN中，以学习细粒度的图像表示。 框架 主要结果 方法 方面 CUB-200-2011 斯坦福车 飞机 紧凑双线性 14k 81.6 88.6 81.6 内核池 14k 84.7 91.1 85.7 iSQRT-COV 8k 87.3 91.7 89.5 iSQRT-COV 32k 88.1 92.8 90.0 DBTNet-50（我们的） 2k 87.5 94.1 91.2 DBTNet-101（我们的） 2k 88.1 94.5 91.6 先决条件 MXNet 1.3.1 GluonCV 0.3.0 快速开始 准备数据： 下载imagenet数据： cd

少量学习的原型网络 NIPS 2017论文》的代码。 如果您使用此代码，请引用我们的论文： @inproceedings{snell2017prototypical, title={Prototypical Networks for Few-shot Learning}, author={Snell, Jake and Swersky, Kevin and Zemel, Richard}, booktitle={Advances in Neural Information Processing Systems}, year={2017} } 训练原型网络 安装依赖 该代码

在NeuraIPS上对比学习（Contrastive Learning）相关的投稿paper很多，这块研究方向这几年受到了学术界的广泛关注，并且在CV、NLP等领域也应用颇多。本文为大家奉上NeurIPS 2020必读的七篇对比学习相关论文——对抗自监督对比学习、局部对比学习、难样本对比学习、多标签对比预测编码、自步对比学习、有监督对比学习。

An auto-regressive model that captures bidirectional context