Web版3D可视化工具,程序员应该知道的97件事,AI前沿论文 | ShowMeAI资讯日报

Stetman读paper小记:BackdoorBench - A Comprehensive Benchmark of Backdoor Learning 之前因为参与了实验室后面攻击的项目,阅读了一下这篇关于后门学习的综合性基准测试的研究工作,在此记录一下学习笔记与心得。 阅读详情

ShowMeAI日报系列全新升级!覆盖AI人工智能 工具&框架 | 项目&代码 | 博文&分享 | 数据&资源 | 研究&论文 等方向。点击查看 历史文章列表,在公众号内订阅话题 #ShowMeAI资讯日报,可接收每日最新推送。点击 专题合辑&电子月刊 快速浏览各专题全集。点击 这里 回复关键字 日报 免费获取AI电子月刊与资料包。

工具&框架

🚧『HyperState』用于管理机器学习训练系统超参数配置和可变程序状态的库

https://github.com/cswinter/hyperstate

🚧『Knowhere』集成了FAISS,HNSW和Annoy的开源向量搜索引擎

https://github.com/milvus-io/knowhere

🚧『Wis3D』面向3D计算机视觉的Web版3D可视化工具

https://github.com/zju3dv/Wis3D

🚧『paperlib』面向计算机科学的简单开源学术论文管理工具

https://github.com/GeoffreyChen777/paperlib

🚧『tract』支持Tensorflow 1, ONNX or NNEF的神经网络推理工具包

https://github.com/sonos/tract

项目&代码

👍『min(DALL·E)』DALL·E Mini的最小化实现,基于文字提示做图创作

https://github.com/kuprel/min-dalle

博文&分享

📚『十分钟入门MLOps』博文 MLOps in 10 Minutes

https://towardsdatascience.com/mlops-in-10-minutes-165c746a9b8e

📚『程序员应该知道的97件事』免费书

http://97-things-every-x-should-know.gitbook.io/97-things-every-programmer-should-know/en

数据&资源

🔥『HM3D-ABO Dataset』照片级以对象为中心的多视图数据集

https://github.com/zhenpeiyang/HM3D-ABO

研究&论文

可以点击 这里 回复关键字 日报,免费获取整理好的论文合辑。

⚡ 论文:Pen and Paper Exercises in Machine Learning

论文标题:Pen and Paper Exercises in Machine Learning

论文时间:27 Jun 2022

所属领域:机器学习

对应任务:Variational Inference,变分推理

论文地址:https://arxiv.org/abs/2206.13446

代码实现:https://github.com/michaelgutmann/ml-pen-and-paper-exercises

论文作者:Michael U. Gutmann

论文简介:This is a collection of (mostly) pen-and-paper exercises in machine learning./这是一组机器学习中的纸笔练习(推导)。

论文摘要:这是一组机器学习方面的纸笔练习。这些练习涉及以下主题:线性代数、优化、有向图形模型、无向图形模型、图形模型的表达能力、因子图和消息传递、隐马尔科夫模型的推理、基于模型的学习(包括ICA和非归一化模型)、采样和蒙特卡洛集成以及变分推理。

⚡ 论文:HM3D-ABO: A Photo-realistic Dataset for Object-centric Multi-view 3D Reconstruction

论文标题:HM3D-ABO: A Photo-realistic Dataset for Object-centric Multi-view 3D Reconstruction

论文时间:24 Jun 2022

所属领域:计算机视觉

对应任务:3D Reconstruction,Novel View Synthesis,Pose Estimation,三维重建,新视点合成,姿势估计

论文地址:https://arxiv.org/abs/2206.12356

代码实现:https://github.com/zhenpeiyang/hm3d-abo

论文作者:Zhenpei Yang, Zaiwei Zhang, QiXing Huang

论文简介:Reconstructing 3D objects is an important computer vision task that has wide application in AR/VR./重构3D物体是一项重要的计算机视觉任务,在AR/VR中有着广泛的应用。

论文摘要:重构3D物体是一项重要的计算机视觉任务,在AR/VR中有着广泛的应用。为这项任务开发的深度学习算法通常依赖于一个非真实的合成数据集,如ShapeNet和Things3D。另一方面,现有的以真实拍摄的物体为中心的数据集通常没有足够的注释来实现监督训练或可靠的评估。在这份技术报告中,我们提出了一个以照片为中心的物体数据集HM3D-ABO。它是由现实的室内场景和现实的物体组成的。对于每个配置,我们都提供了多视角的RGB观测数据、物体的水密网状模型、地面真实深度图和物体掩码。这份数据集也可用于相机姿势估计和新视角合成等任务。数据集的生成代码已在 https://github.com/zhenpeiyang/HM3D-ABO

⚡ 论文:Latent Image Animator: Learning to animate image via latent space navigation

论文标题:Latent Image Animator: Learning to animate image via latent space navigation

论文时间:ICLR 2022

所属领域:计算机视觉

对应任务:Image Animation,Video Generation,图像动画,视频生成

论文地址:https://arxiv.org/abs/2203.09043

代码实现:https://github.com/wyhsirius/LIA

论文作者:Yaohui Wang, Di Yang, Francois Bremond, Antitza Dantcheva

论文简介:Deviating from such models, we here introduce Latent Image Animator (LIA), a self-supervised auto-encoder that evades need for structure representation./与这些模型不同的是,我们在此介绍了Latent Image Animator (LIA),它是一种自监督的自动编码器,不需要结构表示。

论文摘要:由于生成对抗网络(GANs)和自动编码器的显著进步,图像动画变得越来越逼真,也越来越高效。目前的动画方法通常利用从驾驶视频中提取的结构表示。这种结构表示(如关键点或区域)有助于将运动从驾驶视频转移到静态图像。然而,这种方法在源图像和驾驶视频包含大量外观变化的情况下是失败的。此外,结构信息的提取需要额外的模块,从而使动画模型的复杂性增加。与这些模型不同的是,我们在此介绍了Latent Image Animator(LIA),这是一个自监督的自动编码器,避免了对结构表示的需要。LIA是通过在潜伏空间中的线性导航来精简图像的动画。具体来说,生成的视频中的运动是通过潜空间中代码的线性位移来构建的。为此,我们同时学习一组正交的运动方向,并使用它们的线性组合来表示潜空间中的任何位移。广泛的定量和定性分析表明,我们的模型在VoxCeleb、Taichi和TED-talk数据集上的生成质量方面系统地、明显地超过了最先进的方法。

⚡ 论文:GhostNets on Heterogeneous Devices via Cheap Operations

论文标题:GhostNets on Heterogeneous Devices via Cheap Operations

论文时间:10 Jan 2022

所属领域:计算机视觉

论文地址:https://arxiv.org/abs/2201.03297

代码实现:https://github.com/huawei-noah/CV-backbones , https://github.com/LKLQQ/ghostnet_d

论文作者:Kai Han, Yunhe Wang, Chang Xu, Jianyuan Guo, Chunjing Xu, Enhua Wu, Qi Tian

论文简介:The proposed C-Ghost module can be taken as a plug-and-play component to upgrade existing convolutional neural networks./提出的C-Ghost模块可以作为一个即插即用的组件来升级现有的卷积神经网络。

论文摘要:由于内存和计算资源有限,在移动设备上部署卷积神经网络(CNN)是困难的。我们旨在通过利用特征图中的冗余,为包括CPU和GPU在内的异构设备设计高效的神经网络,这在神经架构设计中很少被研究。对于类似CPU的设备,我们提出了一个新颖的CPU高效的Ghost(C-Ghost)模块,从廉价的操作中产生更多的特征图。基于一组内在特征图,我们应用一系列成本低廉的线性变换来生成许多ghost特征图,这些特征图可以充分揭示内在特征的基础信息。提出的C-Ghost模块可以作为一个即插即用的组件来升级现有的卷积神经网络。C-Ghost瓶颈被设计为堆叠C-Ghost模块,然后轻量级的C-GhostNet就可以轻松建立。我们进一步考虑GPU设备的高效网络。在不涉及过多的GPU低效操作(例如,深度卷积)的情况下,我们建议利用阶段性特征冗余来制定GPU高效的Ghost(G-Ghost)阶段结构。阶段中的特征被分成两部分,第一部分使用输出通道较少的原始块进行处理以生成固有特征,另一部分则通过利用阶段性的冗余来生成廉价的操作。在基准上进行的实验证明了拟议的C-Ghost模块和G-Ghost阶段的有效性。C-GhostNet和G-GhostNet可以分别在CPU和GPU上实现精度和延迟的最佳权衡。代码可在 https://github.com/huawei-noah/CV-backbones 查看。

⚡ 论文:BackdoorBench: A Comprehensive Benchmark of Backdoor Learning

论文标题:BackdoorBench: A Comprehensive Benchmark of Backdoor Learning

论文时间:25 Jun 2022

所属领域:对抗网络

对应任务:Backdoor Attack,攻击对抗

论文地址:https://arxiv.org/abs/2206.12654

代码实现:https://github.com/sclbd/backdoorbench

论文作者:Baoyuan Wu, Hongrui Chen, Mingda Zhang, Zihao Zhu, Shaokui Wei, Danni Yuan, Chao Shen, Hongyuan Zha

论文简介:However, we find that the evaluations of new methods are often unthorough to verify their claims and real performance, mainly due to the rapid development, diverse settings, as well as the difficulties of implementation and reproducibility./然而,我们发现,对新方法的评估往往是不彻底的,无法验证其主张和实际性能,这主要是由于发展迅速,设置多样,以及实施和可重复性困难。

论文摘要:Backdoor学习是研究深度神经网络(DNNs)脆弱性的一个新兴的重要课题。许多开创性的Backdoor攻击和防御方法被陆续或同时提出,处于快速军备竞赛的状态。然而,我们发现,对新方法的评估往往是不彻底的,无法验证其主张和实际性能,这主要是由于发展迅速、环境多样以及实施和可重复性困难。如果没有彻底的评估和比较,就很难跟踪当前的进展和设计文献的未来发展路线图。为了缓解这一困境,我们建立了一个全面的Backdoor学习基准,称为BackdoorBench。它包括一个可扩展的基于模块化的代码库(目前包括8种最先进的(SOTA)攻击和9种SOTA防御算法的实现),以及一个完整的后门学习的标准化协议。我们还提供了基于5个模型和4个数据集的每一对8种攻击与9种防御的综合评估,其中有5种中招概率,因此总共有8000对评估。我们进一步从不同角度对这8,000个评价进行分析,研究攻击对防御算法、中招率、模型和数据集在后门学习中的影响。BackdoorBench的所有代码和评估均可在 https://backdoorbench.github.io 上公开获得。

⚡ 论文:Controlling strokes in fast neural style transfer using content transforms

论文标题:Controlling strokes in fast neural style transfer using content transforms
论文时间:The Visual Computer 2022
所属领域:计算机视觉
对应任务:Style Transfer,风格迁移
论文地址:https://link.springer.com/article/10.1007/s00371-022-02518-x#Fn1
代码实现:https://github.com/MaxReimann/stroke-adjustable-nst-transforms
论文作者:Max Reimann, Benito Buchheim, Amir Semmo, Jürgen Döllner, Matthias Trapp

论文简介:To demonstrate the real-world applicability of our approach, we present StyleTune, a mobile app for interactive editing of neural style transfers at multiple levels of control./为了证明我们的方法在现实世界中的适用性,我们提出了StyleTune,一个在多个控制层次上对神经风格转移进行交互式编辑的移动应用程序。

论文摘要:快速风格转移方法最近在艺术相关的应用中得到了欢迎,因为它们使图像的通用实时风格化成为可能。然而,它们大多局限于有关风格元素互动调整的一次性风格化。特别是,对笔画大小或笔画方向的表达性控制仍然是一个公开的挑战。为此,我们提出了一种新型的可调整笔画的快速风格转换网络,它能够同时控制笔画的大小和强度,并通过利用卷积神经网络的标度变异,使编辑的表现力比目前的方法更广泛。此外,我们为风格元素的编辑引入了一种与网络无关的方法,通过应用可逆的输入转换,可以调整风格化输出中的笔画。在这一点上,笔画的方向可以被调整,基于扭曲的效果可以被应用于风格元素,如漩涡或波浪。为了证明我们的方法在现实世界中的适用性,我们提出了StyleTune,一个在多个控制层次上对神经风格转移进行交互式编辑的移动应用程序。我们的应用程序允许在全局和局部层面进行笔画调整。此外,它还实现了一个基于设备补丁的升采样步骤,使用户能够实现具有高输出保真度和超过2000万像素分辨率的结果。我们的方法允许用户对他们的创作进行艺术指导,并实现目前的风格转移应用程序所不能实现的结果。

⚡ 论文:BokehMe: When Neural Rendering Meets Classical Rendering

论文标题:BokehMe: When Neural Rendering Meets Classical Rendering
论文时间:CVPR 2022
所属领域:计算机视觉
对应任务:Neural Rendering,神经渲染
论文地址:https://arxiv.org/abs/2206.12614
代码实现:https://github.com/juewenpeng/bokehme
论文作者:Juewen Peng, Zhiguo Cao, Xianrui Luo, Hao Lu, Ke Xian, Jianming Zhang
论文简介:Based on this formulation, we implement the classical renderer by a scattering-based method and propose a two-stage neural renderer to fix the erroneous areas from the classical renderer./基于这种表述,我们通过一种基于散射的方法来实现经典的渲染器,并提出一种两阶段的神经渲染器来修复经典渲染器中的错误区域。

论文摘要:我们提出了BokehMe,一个混合的虚化渲染框架,它将神经渲染器与经典的物理动机渲染器结合起来。给定一张图片和一个可能不完美的差异图,BokehMe生成高分辨率的照片般真实的虚化效果,其模糊大小、焦平面和光圈形状均可调整。为此,我们分析了基于散射的经典方法的误差,并得出了计算误差图的公式。基于这个公式,我们用基于散射的方法实现了经典的渲染器,并提出了一个两阶段的神经渲染器来修复经典渲染器中的错误区域。神经渲染器采用了动态多尺度方案来有效地处理任意的模糊尺寸,并对其进行训练以处理不完美的差异输入。实验表明,我们的方法在合成图像数据和具有预测差异的真实图像数据上与以前的方法相比都有优势。我们进一步进行了用户研究,以验证我们方法的优势。

⚡ 论文:Pixel-wise Energy-biased Abstention Learning for Anomaly Segmentation on Complex Urban Driving Scenes

论文标题:Pixel-wise Energy-biased Abstention Learning for Anomaly Segmentation on Complex Urban Driving Scenes

论文时间:24 Nov 2021

所属领域:无人驾驶

对应任务:Anomaly Detection,Semantic Segmentation,异常检测,语义分割

论文地址:https://arxiv.org/abs/2111.12264

代码实现:https://github.com/tianyu0207/pebal

论文作者:Yu Tian, Yuyuan Liu, Guansong Pang, Fengbei Liu, Yuanhong Chen, Gustavo Carneiro

论文简介:However, previous uncertainty approaches that directly associate high uncertainty to anomaly may sometimes lead to incorrect anomaly predictions, and external reconstruction models tend to be too inefficient for real-time self-driving embedded systems./然而,以前直接将高不确定性与异常情况联系起来的不确定性方法有时可能会导致不正确的异常预测,而且外部重建模型对于实时自动驾驶的嵌入式系统来说往往效率太低。

论文摘要:在复杂的城市驾驶场景中,最先进的(SOTA)异常分割方法探索了从离群暴露或外部重建模型中学到的像素级分类不确定性。然而,以前的不确定性方法直接将高不确定性与异常情况联系起来,有时可能会导致不正确的异常预测,而且外部重建模型对于实时自动驾驶嵌入式系统来说往往效率太低。在本文中,我们提出了一种新的异常分割方法,命名为像素级能量偏向的弃权学习(PEBAL),它用一个学习自适应像素级异常类别的模型和一个学习离群像素分布的基于能量的模型(EBM)来探索像素级弃权学习(AL)。更具体地说,PEBAL是基于EBM和AL的非微妙的联合训练,其中EBM被训练成输出高能量的异常像素(来自异常点的暴露),AL被训练成使这些高能量像素在被纳入异常类时得到适应性的低惩罚。我们针对SOTA对PEBAL进行了广泛的评估,并表明它在四个基准中取得了最佳性能。代码可在 https://github.com/tianyu0207/pebal 获取

我们是 ShowMeAI,致力于传播AI优质内容,分享行业解决方案,用知识加速每一次技术成长!点击查看 历史文章列表,在公众号内订阅话题 #ShowMeAI资讯日报,可接收每日最新推送。点击 专题合辑&电子月刊 快速浏览各专题全集。点击 这里 回复关键字 日报 免费获取AI电子月刊与资料包。

英语词根词缀总结整合版 请大家想一想,英语是谁发明的?英国人呗!英国人认不认识汉语?不认识!那么英国人在学英语单词的时候需不需要记住单词的汉语意思?不需要,英国人的英语课本里根本就没有汉字,何谈记住单词的汉语意思?那么既然英国人学英语不需要记住(甚至根本就见不到)单词的汉语意思,那么中国人学英语为什么要去记住单词的汉语意思呢?这种做法大家不觉得奇怪吗? 然而由于中国人学英语时都在背单词的汉语意思,因此大家反而觉不出“背... 阅读详情

相关推荐

文华财经公式编程:麦语言简介及基础语法

文华财经公式语言(麦语言)是一种专门用于金融领域的编程语言,它是由文华财经公司开发的。提供了丰富的金融计算函数和数据处理功能,可以用于金融市场的数据分析、模型建立和交易策略的开发。例1:A:CLOSE;// 定义变量A为收盘价(盘中k线没有走完的时候A为最新价)。例2:MA5:=MA(C,5);// 定义收盘价的5周期均线(C为CLOSE简写)。例3:A:=REF(C,1);// 取得前一根k线的收盘价。

超哥量化的博客 1万+

【导读】后门学习新基准!BackdoorBench目前已集成了9种攻击方法、12种防御方法、5种分析工具,leaderboard公布了8000组攻防结果!

可以明显观察到不少的攻击在浓度提升到一定比例后都会造成防御后的ASR下降,也可以认为这是高浓度的攻击样本带来了较大的干净/投毒样本差异造成的,所以对于后门攻防来说,在低投毒浓度下保持攻击性能/抵御攻击将成为一个重要的方向。此外,遗忘性的评估实验中提供了一个精细的工具来分析每个单独的训练样本的贡献,这可以促进开发更先进的后门攻击和防御方法。首先,如第一列所示,中毒样本的损失函数在训练的早期阶段迅速下降,并收敛到一个低值,而干净样本的损失函数下降速度较慢且最终收敛到了一个更大的值。

EasyAIForum的博客 1162

适合初学者的ROS机器人教程(1): Ubuntu下ROS创建自己的包和使用github下载的包

ROS如何创建自己的包 1. 首先创建catkin工作空间(如果你以及有了请忽略) $ mkdir catkin_ws # 创建一个文件夹里面计划放我们的项目,ws是workspace的缩写 $ cd catkin_ws # 将当前工作文件夹切换到catkin_ws这个文件夹 ~/catkin_ws$ catkin_make # 执行catkin_make创建一ROS项目 此时你的catkin_...

@司南牧|知乎|博客|易懂教程|李韬 3245

对抗机器学习论文-BackdoorBench: A Comprehensive Benchmark of Backdoor Learning

对抗机器学习论文-BackdoorBench: A Comprehensive Benchmark of Backdoor Learning

m0_57572083的博客 1691

FileZilla Server 1.2.0 TLS证书过期问题

FileZilla Server TLS证书过期后重新生成

Wigle的备忘录 7530

Qt开发实战:QWebEngineView缓存路径详解与自定义配置(Windows/Linux)

本文详细解析了Qt框架中QWebEngineView组件的缓存机制,提供了Windows和Linux系统下的默认缓存路径及自定义配置方案。通过实战代码示例,展示了如何实现跨平台缓存路径管理、权限设置以及企业级应用中的多用户隔离策略,帮助开发者有效管理Web内容缓存,提升应用性能和数据安全性。

weixin_42519826的博客 404

BackdoorBench

BackdoorBench

w_admirer的博客 2648

手把手教你学simulink(43.2)--光伏发电场景示例:基于Simulink开发一个光伏发电系统仿真模型:采用神经网络控制策略进行优化

需求分析光伏发电系统(Photovoltaic System, PV)是将太阳能转换为电能的重要手段,广泛应用于分布式发电、并网发电和离网供电等领域。随着光伏技术的发展,如何提高光伏发电系统的效率和稳定性成为研究的重点。传统的控制策略(如PID控制器)虽然简单易实现,但在复杂工况下(如光照强度变化、温度波动等)难以达到最优性能。因此,引入先进的控制策略,如神经网络控制(Neural Network Control, NNC),可以显著提升系统的响应速度和鲁棒性。

MHD0815的博客 439

FederatedScope backdoor-bench 环境重装记录

首先在git clone从云端复制代码后并没有继续在git中继续之后的操作,而是打开anaconda navigator中创建fs-6(python>3.9)环境后打开anaconda prompt继续之后的操作。由于个人需要,在本来能够运行的环境中加入了hdbscan包,手动安装hdbscan包导致numpy等一系列包自动升级导致环境崩溃,又由于忘记备份环境,现在记录个人重装环境的过程,以供参考。执行git switch backdoor-bench,成功,代码被修改,在pycharm终端执行测试样例。

weixin_65813501的博客 471

LeRobot 入门教程(十)LIBERO 机器人终身学习评估

LIBERO是一项专注于机器人终身学习(LLDM)的基准测试平台,包含130项任务,分为5大套件(空间推理、物体操作、目标约束等)。LeRobot框架已集成LIBERO,支持单/多套件评估,并兼容SmolVLA模型。训练需使用预处理数据集(HuggingFaceVLA/libero),观测数据需符合规范(8维状态+双摄像头图像)。该平台采用MuJoCo模拟,支持无头服务器运行,旨在推动机器人持续学习算法的发展与标准化评估。

2506_90492529的博客 1666

【图像去噪】论文精读:FM2S: Self-Supervised Fluorescence Microscopy Denoising With Single Noisy Image

论文题目:FM2S: Self-Supervised Fluorescence Microscopy Denoising With Single Noisy Image —— FM2S:单噪声图像自监督荧光显微镜去噪arXiv 2024!显微图像去噪!通过可视化详细的细胞结构和生物过程,荧光显微镜具有显着先进的生物学研究。然而,由于难以精确建模固有噪声和获取干净图像进行训练,这种图像去噪任务往往面临挑战,这限制了大多数现有方法。在本文中,我们提出了一种有效的。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 413

【数字人】3、LIA | 使用隐式空间来实现视频驱动单张图数字人生成(ICLR 2022)

本文主要介绍视频驱动数字人生成方法 LIA

呆呆的猫的博客 1505

prplOS amx-fxgi调试-订阅subscribe

本文分析了prplOS中amx-fxgi订阅功能(subscribe)的实现与调试过程。通过梳理订阅流程发现,默认订阅失败主要由于acl规则限制导致。文章详细介绍了订阅的两个关键步骤:建立GET长连接和POST设置订阅路径,并通过修改代码绕过acl验证成功实现订阅功能。最终验证了在同一连接下订阅多个路径及实时接收状态更新的可行性,有效降低了设备查询负载。该方案为prplOS的实时数据监控提供了优化思路。

四儿家的小祖宗的博客 334

CV论文--2024.1.30

首先,我们提供了最先进的后门学习算法的集成实现,目前包括16种攻击和27种防御算法,基于可扩展的模块化代码库。第三,基于这些评估,我们提供了18种有用的分析工具,从8个角度提供了丰富的分析,并提供了一些关于后门学习的启示性见解。然而,由于现有工作的多样性设置和实现的困难,缺乏统一和标准化的后门学习基准,导致了不公平的比较和不可靠的结论,可能会产生误导性、偏见或错误的结论。我们希望通过这些努力,建立一个坚实的后门学习基础,帮助研究人员调查现有算法、开发更具创新性的算法,并探索后门学习的内在机制。

u012854516的专栏 1074

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

使用预训练好的 DALLE 模型进行 Text-to-Image 生成图像

使用预训练好的 DALLE 模型进行 Text-to-Image 生成图像

Friedrichor的博客 1898

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

Web3D编辑器-使用THREE.JS+Vuejs打造大屏可视化快速搭建工具/W3D/BI/WEB3D/可视化平台/编辑平台/大数据可视化工具 -功能持续开发中

WEB-3D编辑器(持续开发中) 目前支持:效果组件联动,物体设置,事件联动、导入导出、引入vuejs模板; 待做:场景设置,特效组件,物体效果设置(烘培贴图, 特效,shader效果等),视角镜头动画,模型动画,事件与前端联动,前端组件及联动,work,websoket,接入后台; 支持2D+3D可视化组件拖入,构建大数据可视化平台,与后台数据进行联动。 支持讨论qq:674656681 QQ群:1082834010 DEMO 编辑器 加载模型 材质修改 定制组件拖入 定制化组件添加,通过数据拉起城

stonerao 7021

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

【论文+代码】PEBAL/Pixel-wise Energy-biased Abstention Learning for Anomaly Segmentation on Complex Urban

背景:SOTA的异常分割方法都是基于不确定性估计和重建。直观假阳性,将正常像素检测为异常。某些hard-ID靠近分类边界假阴性,检测不出异常认为是正常像素。依赖分割结果额外网络难以训练;效率低input不同导致分割模型变化则需要重新训练,适用性不高提出了新的方法:PEBAL = AL + EBM, 两个模块联合训练AL, Abstention Learning. 放弃学习,放弃将像素分类为ID标签,而是划分为异常。...

星星亮了bulingbuling~ 1733

开源web三维可视化_基于网页的三维可视化,要效率更要效果

物联网爆炸的时代,各种感知设备层出不穷,云上的数据急剧增长,新基建也把数据中心拔到了七大新基础设施之一的高度。近年来,各互联网公司和IT公司不断提出各种智慧XX,XX大脑,例如城市大脑、交通大脑、智慧交管、智慧高速、智慧公路等等。但不论名字是啥,最终看到的解决方案基本都是云端放数据,终端建应用系统和可视化系统。交通行业的规划、设计、建设、管理、养护用户很多时候也都是通过可视化系统来查询、统计、分析...

weixin_39860757的博客 7030

自己的模块

自建一个模块 我自己写了一个模块,关于贷款月供的模块,代码如下:模块写好后保存在默认文件夹:Meta.py # -*- coding:utf-8 -*- total = float(input("请输入贷款总额:")) p = float(input('贷款年利率(比如5.88):')) y = int(input('贷款年数:')) type = input('输入1表示等额...

caopenpen的专栏 5518

云计算题库

1.下列关于云存储的描述不正确的是 ( ) A. 可以将网络中大量各种不同类型的存储设备通过应用软件集合起来协同工作。 B. 需要通过集群应用、网格技术或分布式文件系统等技术实现 C. 云存储通过服务的形式提供给用户使用 D. “云存储对于使用者来讲是透明的”,也就是说使用者清楚存储设备的品牌,型号的具体细节 答案: D 2.下面哪个操作肯定是宽依赖 A. flatMap B. sample C. map D. reduceByKey 答案:D 3.mapreduce的样例放在哪个目录中

Alex_wanwan的博客 6132

前端前沿web 3d可视化技术 ThreeJS学习全记录

就像前端需要webpack来进行模块化开发 three JS也需要一个对应的工具,他就是PARCEL https://www.parceljs.cn/随着浏览器性能和网络带宽的提升 使得3D技术不再是桌面的专利 打破传统平面展示模式。Threejs封装了WebGL的底层细节,可拓展性强,有很多开源的插件和工具,更易上手。就像2G时代文字信息是主要传输媒介 3G时代的图片 4G时代的视频。拷贝项目到本地即可查看文档 案例文件 使用编辑器等。随着硬件性能与技术的提升,未来的前端也一定是3D的。

Beatingworldline的博客 1万+

WEB端三维可视化(threejs)01

WEB端三维可视化(初识)threejs01前言一、初识二、nodejs三、引入threejs库 前言 记录一下学习笔记 一、初识 一年前从网上爬了个web端的三维demo,从此接触到了一个新的方向——webgl。第一次尝试自己写三维用的webgl,各种顶点信息、坐标定位,烦不胜烦。 后续又各种搜索引擎,cesiumjs、 babylonjs、unity、threejs等等,比较下来就选择了three。 说一下原因: cesiumjs:注重地形,支持模型文件格式只有gltf。 babylonjs:比较针对游

hcdu 6185

BokehMe: When Neural Rendering Meets Classical Rendering

本文提出了 BokehMe,这是一个混合的虚化渲染框架,将神经渲染器与经典的物理驱动渲染器结合在一起。给定单个图像和可能不完美的视差图,BokehMe 可以生成具有可调节的模糊大小、焦平面和光圈形状的高分辨率照片般逼真的虚化效果。为此,本文分析了经典的基于散射的方法的误差,并推导出计算误差图的公式。基于这个公式,通过基于散射的方法实现了经典渲染器,并提出了一种两阶段神经渲染器来修复经典渲染器中的错误区域。神经渲染器采用动态多尺度方案来有效处理任意模糊大小,并经过训练以处理不完美的视差输入。

AI 算法笔记 1822

开源三维可视化开发工具icegl-three-vue-tres

由icegl图形学社区出品。这个框架永久开源且免费商用,为开发者提供了一个便捷的平台来构建和渲染三维可视化项目。如果你需要在网页中展示3D模型,或者在地图上实现三维特效,这个框架无疑就是最好的免费工具。开源地址:icegl-three-vue-tres: 🎉🎉🎊 一款让你的三维可视化项目快速落地の开源框架 🎊🎉🎉永久开源免费商用 数字孪生 三维可视化 threejs webgl three three.js tres.js tvt.js。

xuweilin的博客 2773

三维可视化开发,推荐这 5 大 Web3D 渲染引擎!!!

Three.js是一款基于WebGL的强大JavaScript库,用于在 Web 浏览器中创建和呈现三维图形。它提供了基础的 3D 渲染功能,包括几何体创建、材质和光照效果。让浏览器中的3D图形创建与显示变得前所未有的简单。通过精心设计的 API,Three.js 成功地降低了WebGL的复杂性,使得即使是没有深厚技术背景的开发者也能轻松打造出令人惊艳的3D 场景模型动画以及粒子系统。

gis_witch的博客 5774

开源web三维可视化_安利两款强大的三维场景可视化软件,数字化转型必备神器!...

如果您是规划咨询部门,在规划、设计和运营阶段,它可为交通枢纽提供交通仿真、评估及展示系统开发服务。如果您是公路部门,可用它开发三维路面管理系统、三维道路养护信息系统、三维公路设施管理系统等。如果您是交警部门,可用它开发三维道路安全设施管理系统、信号控制优化车流仿真系统等。如果您是交通院校,可用它来开发三维数字沙盘教学系统、三维数字沙盘实验系统等。如果您是桥梁管理部门,可用它开发三维桥梁监测与管理系...

weixin_39574555的博客 7663
上一篇: 【AI资讯月刊】350+资源大盘点!6月不容错过的资料和动态,都都都在这里啦!<附下载>
下一篇: AI算法工程师手册,Google软件开发指南,JAX强化学习环境,全国高校生活质量信息汇总,几篇AI前沿论文 | ShowMeAI资讯日报
ShowMeAI
博客等级 码龄5年 6514粉丝 672原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ShowMeAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值