在本文中，我们开始创建自定义对象检测模型的过程。

用于文档图像变形的门控和分叉堆叠式U-Net模块 捕获文档图像是记录它们的最简单，最常用的方法之一。 但是，这些图像是在手持设备的帮助下捕获的，通常会导致难以消除的不良失真。 我们提出了一个监督的门控和分叉堆叠式U-Net模块，以预测变形网格并从输入中创建无失真的图像。 在对网络进行人工合成的文档图像训练时，将根据真实世界的图像来计算结果。 我们方法的新颖性不仅存在于U-Net的分叉中，以帮助消除网格坐标的混合，而且还存在于使用门控网络的情况下，该门控网络为模型增加了边界和其他分钟线级别的细节。 我们提出的端到端流水线仅在先前方法中使用的数据的8％进行训练后，就可以在DocUNet数据集上实现最新的性能。 要求 所需的软件包： 火炬（> 1.4.0） 火炬视觉（> 0.6.0） numpy（> 1.18.4） 要安装所有必需的软件包，请使用pip install -r requir

贝叶斯网络参数学习 课程项目-COL884（Spring'18）：人工智能的不确定性 创作者：Navreet Kaur [2015TT10917] 客观的： 警报贝叶斯网络给定数据的贝叶斯参数学习，每行最多有一个缺失值。 使用的算法： 期望最大化 目标： 这项任务的目的是获得学习贝叶斯网络的经验，并了解它们在现实世界中的价值。 设想： 医学诊断。 一些医学研究人员创建了贝叶斯网络，该网络对（某些）疾病和观察到的症状之间的相互关系进行建模。 作为计算机科学家，我们的工作是根据健康记录来学习网络的参数。 不幸的是，在现实世界中，某些记录缺少值。 我们需要尽力计算网络参数，以便以后可以将其用于诊断。 问题陈述： 我们得到了由研究人员创建的贝叶斯网络（如BayesNet.png所示），注意此处对八种诊断进行了建模：血容量不足，左心衰竭，过敏React，镇痛不足，肺栓塞，插管，弯管和断线。

交互是一种用于AI代理的逼真的可交互框架。 消息 （6/2020）我们提供了一个微型框架，以简化在Docker中运行AI2-THOR的工作。 可以通过以下网址访问它： : 。 （4/2020）框架的版本2.4.0更新在这里。 现在，所有不属于环境结构的sim对象都可以通过物理相互作用移动。 添加了新的对象类型，并添加了许多新的动作。 请在查看 （2/2020）AI2-THOR现在包括两个框架： 和 。 iTHOR包含交互式对象和场景，而RoboTHOR包含模拟场景及其对应的真实世界副本。 （9/2019）已添加框架2.1.0版更新。 添加了新的对象类型。 添加了新的初始化操作。 分割图像的生成在所有场景中都得到了改善。 （6/2019）AI2-THOR框架的2.0版更新现已发布！ 我们的动作和对象状态增加了三倍，增加了新的动作，可以在视觉上进行明显的状态更改，例如电子设备上的屏幕

RL4J：Java 强化学习 有关 RL4J 的支持问题，请联系 。 RL4J 是一个与 deeplearning4j 集成并在 Apache 2.0 开源许可下发布的强化学习框架。 DQN（带双 DQN 的深度 Q 学习） 异步强化学习（A3C，异步 NStepQlearning） 低维（信息数组）和高维（像素）输入。 一篇有用的博客文章，向您介绍强化学习、DQN 和 Async RL： 快速开始 安装 可视化 厄运 Doom 还没有准备好，但如果你喜欢冒险，你可以通过一些额外的步骤让它工作： 您将需要 vizdoom，编译本机库并将其移动到项目根目录中的文件夹中 export MAVEN_OPTS=-Djava.library.path=THEFOLDEROFTHELIB mvn compile exec:java -Dexec.mainClass="YOURMAINCL

在下一篇文章中，我们将预处理要输入到机器学习模型的数据集。

NJU-Artificial-Intelligence 2018Spring 人工智能 课程

训练12小时后512x512鲜花，1 gpu 训练12小时后256x256朵鲜花，1 gpu 比萨 ``轻巧''GAN 在Pytorch的ICLR 2021中提出的实现。 本文的主要贡献是发生器中的跳层激励，以及鉴别器中的自动编码自监督学习。 引用单行摘要“在经过数小时培训的情况下，可以在1024 g分辨率的数百张图像上融合在单个gpu上”。 安装 $ pip install lightweight-gan 使用 一个命令 $ lightweight_gan --data ./path/to/images --image-size 512 每隔1000次迭代，模型将保存到./models/{name} ，模型中的样本将保存到./results/{name} 。 name将是default ，默认情况下。 训练设定 深度学习从业人员的自我解释能力很强 $ lightweight_ga

TimeSformer-Pytorch 实现，是一种基于关注点的纯净，简单的解决方案，可以在视频分类上达到SOTA。 该存储库将仅存储性能最佳的变体“时空分散注意力”，无非就是沿空间之前的时间轴的注意力。 安装 $ pip install timesformer-pytorch 用法 import torch from timesformer_pytorch import TimeSformer model = TimeSformer ( dim = 512 , image_size = 224 , patch_size = 16 , num_frames = 8 , num_classes = 10 , depth = 12 , heads = 8 , dim_head = 64 , attn_dropout =

在本文中，我们向您展示如何为生成时装设计建立一个生成对抗网络（GAN）。