元伪标签 安装套件 pip3 install SOTA-SSL 用法 import torch from SOTA_SSL_Models import SimSiam from torchvision import models model = SimSiam(args) 笔记 我发现直接使用SimCLR增强有时会导致模型崩溃。 这可能是由于SimCLR增强太强的事实。 在预热阶段采用MoCo增强会有所帮助。 数据集 data/ imagenet/ train/ ... n021015556/ .. n021015556_

针对实际交通场景下的车辆目标，应用深度学习目标分类算法中具有代表性的Faster R-CNN框架，结合ImageNet中的车辆数据集，把场景中的目标检测问题转换为目标的二分类问题，进行车辆目标的检测识别。相比传统机器学习目标检测算法，基于深度学习的目标检测算法在检测准确度和执行效率上优势明显。通过本实验结果分析表明，该方法在识别精度以及速度上均取得了显著的提高。

MobileNetV3的PyTorch实现这是MobileNetV3架构的PyTorch实现，如论文Searching MobileNetV3中所述。 一些细节可能与原始论文有所不同，欢迎讨论MobileNetV3的PyTorch实现。这是论文Searching MobileNetV3中描述的MobileNetV3体系结构的PyTorch实现。 一些细节可能与原始论文有所不同，欢迎讨论并帮助我解决。 [NEW]小版本mobilenet-v3的预训练模型在线，准确性达到与纸张相同的水平。 [NEW]该文件于5月17日更新，因此我为此更新了代码，但仍然存在一些错误。 [NEW]我在全局AV之前删除了SE

imagenet_classes.txt

imagenet_labels.txt是imagenet 1001个类别的标签文件，每行对应1个类别。 load_labels.py可以读取imagenet_labels.txt, 得到一个存储各类别的python列表，可以用索引查看对应类别名称。例如，前20个类别的名称为 ['background', 'tench', 'goldfish', 'great white shark', 'tiger shark', 'hammerhead', 'electric ray', 'stingray', 'cock', 'hen', 'ostrich', 'brambling', 'goldfinch', 'house finch', 'junco', 'indigo bunting', 'robin', 'bulbul', 'jay', 'magpie']

imagenet-deepfill模型

TinyImageNet火炬 微调预训练

这个是mini-imagenet-cache-train.pkl文件 DeepMind团队首次将miniImageNet数据集用于小样本学习研究，从此miniImageNet成为了元学习和小样本领域的基准数据集。DeepMind的那篇小样本学习的论文就是大名鼎鼎的Matching Network的来源: Matching Networks for One Shot Learning 。 miniImageNet包含100类共60000张彩色图片，其中每类有600个样本，每张图片的规格为84 × 84 84 \times 8484×84。通常而言,这个数据集的训练集和测试集的类别划分为：80 : 20 80:2080:20。相比于CIFAR10数据集，miniImageNet数据集更加复杂，但更适合进行原型设计和实验研究。

AlexNet 论文总结一、论文翻译摘要（一）引言（二）数据集（三）架构1. ReLU非线性2. 多GPU训练3. 局部响应归一化（LRN）4. 重叠池化5. 整体架构（四）减少过拟合1. 数据增强2. Dropout（五）学习细节（六）结果1. 定性评估（七）探讨二、论文笔记（一）网络架构梳理1. 卷积层 1（conv1）2. 卷积层 2（conv2）3. 卷积层 3（conv3）4. 卷积层 4（conv4）5. 卷积层 5（conv5）6. 全连接层 1（fc1）7. 全连接层 2（fc2）8. 全连接层 3（fc3）（二）局部响应归一化（LRN）1. 为什么要引入LRN层？2. LRN

ImageNet数据集的数据字典，包含标签等信息，同时还包含markdown表格转换。个人jupyter文件的简单实现。仅供使用。具体实现结果参考我的主页的ImageNet数据字典的文章，里面附带github的源地址。仅供个人学习使用。