Advertisement

DMML: ICCV19论文《深度元度量学习》的代码

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:ZIP


简介:
DMML是ICCV 2019上发表的《深度元度量学习》论文对应的开源代码库。该研究提出了一种新颖的方法,通过训练模型快速适应新的相似性学习任务,适用于小样本学习场景。 深度元度量学习(DMML) 此存储库包含ICCV19论文的PyTorch代码:深度元度量学习,包括对Market-1501和DukeMTMC-reID数据集的人体重识别实验。 要求: - Python 3.6+ - PyTorch 0.4 - tensorboardX 1.6 要安装所有Python软件包,请运行以下命令: ``` pip install -r requirements.txt ``` 数据集: 请下载Market-1501和DukeMTMC-reID数据集。 准备步骤: 在完成上述数据集的下载后,将它们移动到项目根目录下的datasets文件夹中,并分别将两个数据集文件夹重命名为“market1501”和“duke”。即, datasets文件夹应组织为: ``` |-- market1501 |-- bounding_box_train ```

全部评论 (0)

还没有任何评论哟~
客服
客服
  • DMML: ICCV19
    优质
    DMML是ICCV 2019上发表的《深度元度量学习》论文对应的开源代码库。该研究提出了一种新颖的方法,通过训练模型快速适应新的相似性学习任务,适用于小样本学习场景。 深度元度量学习(DMML) 此存储库包含ICCV19论文的PyTorch代码:深度元度量学习,包括对Market-1501和DukeMTMC-reID数据集的人体重识别实验。 要求: - Python 3.6+ - PyTorch 0.4 - tensorboardX 1.6 要安装所有Python软件包,请运行以下命令: ``` pip install -r requirements.txt ``` 数据集: 请下载Market-1501和DukeMTMC-reID数据集。 准备步骤: 在完成上述数据集的下载后,将它们移动到项目根目录下的datasets文件夹中,并分别将两个数据集文件夹重命名为“market1501”和“duke”。即, datasets文件夹应组织为: ``` |-- market1501 |-- bounding_box_train ```
  • Seq2Set模型及源
    优质
    本资源提供Seq2Set模型相关深度学习研究论文和完整源代码下载。Seq2Set是一种用于集合到向量映射的创新架构,在多项序列数据处理任务中展现卓越性能。适合研究人员与开发者深入探索并实践应用。 内容概要:论文《A Deep Reinforced Sequence-to-Set Model for Multi-Label Classification》的源代码。 目标人群:具备一定人工智能与自然语言处理基础的人群 使用场景:Python3、Pytorch 0.4.1环境 功能介绍:该代码实现了一种基于深度强化学习的方法,用于多标签文本分类。
  • 关于
    优质
    本论文深入探讨了深度学习领域的最新进展与挑战,涵盖了神经网络架构、优化算法及在图像识别、自然语言处理等应用中的创新成果。 本资源内容涉及人工智能领域中的深度学习论文,旨在为有志于投身该方向的人士提供前沿的研究资料。这些论文对于深入理解并掌握深度学习技术具有重要价值。
  • 解析
    优质
    本专栏专注于解析深度学习领域的前沿论文,涵盖神经网络架构、自然语言处理、计算机视觉等多个方向,旨在帮助读者深入理解相关技术原理及应用。 本课程主要以时间线为基础,详细讲解深度学习领域最重要的论文,例如ReLU、Dropout、AlexNet、VGGNet、Batch Normalization、ResNet、Inception系列、ResNeXt以及SENet和GPT-3等。
  • 导弹模型MATLAB-Deep_Meta-Learning_Guidance_Law: 引导法则:基于...
    优质
    本项目包含用于实现论文学习引导法则:基于深度元学习的方法中的MATLAB代码,专注于开发和测试导弹导引律的深度元学习模型。 导弹模型MATLAB代码学习指南:基于深度元学习和模型预测路径积分控制的制导律 这项工作的目的是利用本段落所述的导弹制导问题,通过实施基于模型的深度强化学习来应用模型预测路径积分控制器(MPPIC)。相关论文已发表在IEEE Access上,并可在arXiv上获取。 依赖关系 此代码已在Python环境中测试过,需要安装tensorflow-gpu和numpy。演示运行是建立于预先训练好的指导神经网络模型的基础上进行的。如需进一步的信息或材料,请联系作者。 如何运行 使用mppi_run.py文件来执行程序。 也可以通过monte_carlo_simu.sh脚本实现迭代以获得蒙特卡洛采样结果。 在本段落中,利用MATLAB中的get_Monte.m文件收集了用于模拟的蒙特卡洛数据。 引用说明 如您发现我们的研究对您的工作有帮助,请考虑引用以下文献: @article{liang2019learning, title={Learning to Guide: Guidance Law Based on Deep Meta-Learning and Model Predictive Path Integral Control}, }
  • 优质
    《深度学习的源代码》是一本深入探讨深度学习算法实现与应用的技术书籍,书中详细解析了各类神经网络模型的源代码,并提供了丰富的实践案例和编程指南。适合对深度学习有兴趣的研究人员和技术爱好者阅读。 该深度学习源代码包括图像编码和解码两部分,并附带了Hinton的论文。通过训练深层网络来降低高维图片数据的维度,并比较复原误差。主要利用级联Boltzmann方法估计多层网络的初始参数,从而使多层神经网络能够被很好地训练并获得理想结果。
  • 优质
    《深度学习源代码》是一本深入剖析深度学习算法实现细节的技术书籍,通过分析经典模型的源代码帮助读者理解与应用先进的机器学习技术。 用于tensorflow-directml环境搭建及测试学习。
  • 汇编.zip
    优质
    本资源包汇集了各类经典及最新的深度学习研究论文,涵盖图像识别、自然语言处理等领域,适合研究人员和学生参考学习。 这里列出了100篇值得深入研究的深度学习论文,涵盖了DBN、DNN、RNN、DRNN以及one-shot Learning等多个领域的重要内容。这些文献对于理解深度学习领域的最新进展和技术细节非常有帮助。
  • 《百面》中.pdf
    优质
    本书PDF版《百面深度学习》聚焦于元学习领域,通过多角度解析和案例探讨,深入浅出地揭示了深度学习中元学习的关键技术和应用场景。 百面深度学习之元学习知识笔记