Matlab分时代码弱监督下的快速R-CNN检测优化

免责声明：本存储库提供了官方的Faster R-CNN代码（使用MATLAB编写）。如果您的目标是复现NIPS 2015论文中的结果，请使用此代码。该存储库还包含了对MATLAB代码的Python重新实现，基于某些分支构建，二者之间有细微差别。特别是，Python实现的测试速度比MATLAB实现慢约10%，因为某些操作在CPU上的Python层执行（例如，220ms/图像，而VGG16为200ms/图像）。这种差异导致与MATLAB版本相比，mAP表现不完全相同，但仍然较为接近。使用MATLAB代码训练的模型与此Python实现可能不兼容。此Python实现源自Sean Bell（康奈尔大学）

此页面是Kitayama S，Cilsalar H.（正在审核）提交的手稿的在线存储库：“通过ASCE / SEI 7-16程序设计的隔震和非隔震建筑物的比较地震损失评估。”存储库提供了地震损失评估MATLAB代码，包括更新的文件：“info_Comp_Fragility_NonStructural_Accel.m”，“info_Comp_Fragility_Structural”和“info_num_Components_Structural.m”。这些MATLAB代码基于条件频谱方法计算损失漏洞功能、预期年度损失（EAL）和随时间推移的预期损失（EL）。

matlab 的 Bivis 分时代码，专为双目图像的独立分量而来，配合 Hunter 和 Hibbard 那篇 2015 年 JOV 的论文一起食用效果更佳。结构清晰，一共四个功能文件夹，从生成 ICA 分量到拟合 Gabor 函数都有涉及。用calculateICAcomponents.m打头阵，逐步搞定 ICA 建模。里面的fillInNaNs.m也挺贴心，能补齐数据空洞，省你不少麻烦。嗯，如果你之前碰过 Gabor 拟合，这套代码上手应该还挺快的。

该存储库包含基于欧洲数据格式（EDF）的脑信号教程，以及基于小波离散变换的MatLab应用。该教程起源于2011年，作者在睡意检测研究中编写，与学生分享从脑电图（EEG）收集信号的阅读和解释步骤。文档中讨论的信号数据可从指定位置获取，尽管文档使用葡萄牙语编写，暂无英语翻译。

使用Matlab编写的卷积滤波器用于WSOD（弱监督对象检测或定位），是一份详尽的文献综述。该综述整理了2015年之前关于无监督本地化和通用知识学习的相关文献，包括贝叶斯联合主题建模（ICCV 2013）、多重MIL训练（CVPR 2014）、潜在类别学习的弱监督对象定位（ECCV 2014）以及最小监督下对象定位的学习（ICML 2014）。此外，综述还介绍了具有凸聚类的弱监督对象检测（CVPR 2015）和2016年新兴的WSDDN监督不足深度检测网络（CVPR 2016），以及ProNet、渐进域自适应和WELDON等技术。

MATLAB分时代码PWL区域库包含了计算神经网络分段仿射表示的代码。该算法逐层处理网络，针对每个先前确定的区域解决超平面排列问题。虽然大多数深度学习库使用Python编写，但此代码仍然以MATLAB编写，因为MATLAB可以访问必要的几何计算。此工具还提供了用于Tensorflow模型转换脚本的方法。安装要求包括MATLAB和Python环境。

matlab分时代码项目05.00.15版本转换存在关键问题。了解sdk-linux-am57xx-evm-04.03.00.05转换问题及其解决方案。联系李雄获取详细信息。

这个存储库由Timothy J. Gardner和Marcelo O. Magnasco引入Python世界。在标准超声波检查中难以察觉的复杂声音细节在重新分配时变得明显可见。我们探索将新型线性重新分配技术应用于音频分类和无监督机器翻译等下游任务的概念。新的表示形式有望显著提高性能。点击下方图片并放大以观察实现的高分辨率线性重新分配效果。要从GitHub安装，请执行pip install git+git://github.com/earthspecies/spectral_hyperresolution.git。详细讨论该存储库中线性重新分配的使用和参数设置。

球形卷积网络在学习 3D 形状的特征表示上有优势，尤其在旋转不变性方面表现突出。这个 Matlab 代码包就是基于这个理念，利用了跨域嵌入将 2D 图像映射到球形 CNN 潜在空间。最酷的是，这个方法无需额外的任务特定监督，就能完成像姿态估计和新颖视图合成等任务。代码的主要部分是model.py，这里面有一个典型的编码器-解码器架构，能让你从 2D 图像到球形嵌入，或反向操作。这个代码挺适合那些需要 3D 物体旋转的应用，比如增强现实（AR）或计算机视觉项目，操作上也蛮，能帮你快速上手。只是训练管道和数据集目前不公开，但模型本身还是挺值得一试的。