注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. Motion & Spatial 双流网络Win环境下调试通过

  2. 如有问题可以联系我，不一定在，会及时回复。企鹅：1282068574 备注来意

  3. 所属分类：深度学习

    • 发布日期：2018-07-28
    • 文件大小：6144
    • 提供者：weixin_40642281

  1. 解决pytorch 交叉熵损失输出为负数的问题

  2. 网络训练中，loss曲线非常奇怪 交叉熵怎么会有负数。 经过排查，交叉熵不是有个负对数吗，当网络输出的概率是0-1时，正数。可当网络输出大于1的数，就有可能变成负数。 所以加上一行就行了 out1 = F.softmax(out1, dim=1) 补充知识：在pytorch框架下，训练model过程中，loss=nan问题时该怎么解决？ 当我在UCF-101数据集训练alexnet时，epoch设为100，跑到三十多个epoch时，出现了loss=nan问题，当时是一脸懵逼，在查阅资料后，

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：57344
    • 提供者：weixin_38622777

  1. C3D-tensorflow-源码

  2. 90％的代码来自 C3D动作识别 使用UCF-101（作为示例）或其他数据集训练C3D网络。 可以将视频或gif作为训练文件来支持。 视频流或图像帧可用作检测的输入。 环境 Python== 3.6 opencv-python == 4.5.1.48 喀拉拉邦== 2.0.8 tensorflow-gpu == 1.3 枕头== 8.1.2 matplotlib == 3.3.4 h5py：$ pip install h5py == 2.10 -i CUDA 8 库登6 训练自己

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：648019968
    • 提供者：weixin_42099633

  1. 基于分层池的深度卷积神经网络用于人类动作识别

  2. 基于视频的人体动作识别是计算机视觉中一个活跃且具有挑战性的话题。过去几年，深度卷积神经网络（CNN）成为最受欢迎的方法，并在HMDB-51和UCF-101等多个数据集上达到了最先进的性能。 由于每个视频都具有多种帧级功能，因此如何组合这些功能以获得良好的视频级功能成为一项艰巨的任务。 因此，本文提出了一种基于深度卷积神经网络（SP-CNN）的新颖的动作识别方法-分层池化。 该过程主要由五个部分组成：（i）在目标数据集上微调预训练的CNN，（ii）帧级特征提取； （iii）用于减少特征维数的主成分

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：1048576
    • 提供者：weixin_38560797

  1. 一种新颖的动作识别中特征融合的递归混合网络

  2. 视频中的动作识别是计算机视觉中最重要和最具挑战性的任务之一。 如何有效地结合时空信息来表示视频，对于动作识别起着至关重要的作用。 在本文中，通过融合多源特征，设计了一种用于行为识别的递归混合网络体系结构：用于学习语义特征的两流CNN，用于学习长期时间特征的两流单层LSTM以及改进的密集轨迹（IDT）流，用于学习短期时间运动特征。 为了减轻小规模数据集的过度拟合问题，视频数据增强方法用于增加训练数据量，并且采用两步训练策略来训练我们的循环混合网络。 在两个具有挑战性的数据集UCF-101和HMDB

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：2097152
    • 提供者：weixin_38610815

  1. frame-prediction-pytorch-源码

  2. WGAN视频生成 设置 环境 我们建议使用conda环境。 一旦安装了 （请查看 ）。 安装方式： conda create env -f environment.yml conda activate torch 彗星ML 要使用CometML记录实验结果，请创建一个.comet.config文件，其内容如下所示： [comet] api_key =MYKEY project_name =frame-prediction-pytorch workspace =username 否则，将参

  3. 所属分类：其它

    • 发布日期：2021-03-06
    • 文件大小：150528
    • 提供者：weixin_42134234