您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. LSUN数据集(包括论文和kitchen子集)

  2. 类似ImageNet的大规模数据集,相对ImageNet,LSUN分类更丰富,不仅有物品分类,也要场景分类,下载文件内附百度云盘提取码。
  3. 所属分类:深度学习

    • 发布日期:2020-04-27
    • 文件大小:224
    • 提供者:disanda
  1. LSUN数据集(dining_room子集)

  2. 类似ImageNet的大规模数据集,相对ImageNet,LSUN分类更丰富,不仅有物品分类,也要场景分类,下载文件内附百度云盘提取码。
  3. 所属分类:深度学习

    • 发布日期:2020-04-27
    • 文件大小:224
    • 提供者:disanda
  1. LSUN数据集(bedroom子集)

  2. LSUN数据集(bedroom),文件中包含百度网盘提取码。LSUN是一个比较有特色的大规模数据集,相对ImageNet而言,分类更丰富,不仅有物体分类,还有场景分类。
  3. 所属分类:深度学习

    • 发布日期:2020-04-27
    • 文件大小:224
    • 提供者:disanda
  1. pytorch之ImageFolder使用详解

  2. pytorch之ImageFolder torchvision已经预先实现了常用的Dataset,包括前面使用过的CIFAR-10,以及ImageNet、COCO、MNIST、LSUN等数据集,可通过诸如torchvision.datasets.CIFAR10来调用。在这里介绍一个会经常使用到的Dataset——ImageFolder。 ImageFolder假设所有的文件按文件夹保存,每个文件夹下存储同一个类别的图片,文件夹名为类名,其构造函数如下: ImageFolder(root, tr
  3. 所属分类:其它

    • 发布日期:2020-12-23
    • 文件大小:61440
    • 提供者:weixin_38651507
  1. pytorch-fid:使用PyTorch计算FID分数-源码

  2. PyTorch的FID分数 这是FréchetInception 到PyTorch正式实施的端口。 有关使用Tensorflow的原始实现,请参见 。 FID是两个图像数据集之间相似度的度量。 它被证明与人类对视觉质量的判断具有很好的相关性,并且最常用于评估生成对抗网络的样本质量。 通过计算两个高斯函数之间的来计算FID,这些高斯函数适合于Inception网络的特征表示。 有关可以找到进一步的见解和对FID分数的独立评估 。 权重和模型的权重和模型完全相同,并经过测试得出了非常相似的结果
  3. 所属分类:其它

    • 发布日期:2021-02-04
    • 文件大小:18432
    • 提供者:weixin_42178963
  1. pytorch实现mnist分类的示例讲解

  2. torchvision包 包含了目前流行的数据集,模型结构和常用的图片转换工具。 torchvision.datasets中包含了以下数据集 MNIST COCO(用于图像标注和目标检测)(Captioning and Detection) LSUN Classification ImageFolder Imagenet-12 CIFAR10 and CIFAR100 STL10 torchvision.models torchvision.models模块的 子模块中包含以下模型结构。 Ale
  3. 所属分类:其它

    • 发布日期:2021-01-20
    • 文件大小:40960
    • 提供者:weixin_38689338
  1. awesome-pretrained-stylegan2:一组经过预训练的StyleGAN 2模型可供下载-源码

  2. 很棒的预训练风格 预先训练的模型的集合,模型在不同分辨率的不同数据集上进行了训练。 有关StyleGAN 1的预训练模型,请参阅 如果您拥有已知的或想共享的可公开访问的模型,请参阅部分。提示:提交模型的最简单方法是填写此。 目录 楷模 汽车(config-e) , 数据集:LSUN汽车 分辨率:512x512配置:e 作者: StyleGAN2实现: : 许可证:Nvidia源代码许可证-NC 汽车(config-f) , 数据集:LSUN汽车 分辨率:512x512配置:f 作者: St
  3. 所属分类:其它

    • 发布日期:2021-03-20
    • 文件大小:208666624
    • 提供者:weixin_42126677