ACCV 2020 最受关注的 Top10 代码开源论文!

机器学习算法那些事 机器学习算法那些事 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 800+累计阅读 847平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄9年
关注
转载 最新推荐文章于 2026-07-04 07:55:06 发布 847 阅读 AI 写同款· GEO 优化 ›
计算机视觉顶会与顶级期刊全解析：从ICCV到PAMI 本文全面解析计算机视觉领域的顶级会议与期刊，包括ICCV、CVPR、ECCV等顶会以及PAMI、IJCV等顶级期刊。从投稿策略到审稿技巧，为研究者提供实用指南，帮助把握计算机视觉领域的最新发展趋势和发表生态。 阅读详情

点击上方“机器学习算法那些事”，选择加"星标"或“置顶”

重磅干货，第一时间送达

来源：OpenCV中文网

ACCV 2020 会议正在召开，同时官方已经公布了收录其中的 255 篇论文。

令人惊喜的是，大会有约一半的论文已开源，今日先来一波 Github 星标前 10 的论文『截至2020 年 11 月 30 日』。

      Rank 10      

Visual Tracking by TridentAlign and Context Embedding

目标对象和具有相似类别干扰物的大规模偏差是视觉跟踪中的一大挑战，在本次工作中，来自韩国首尔大学和中央大学的学者提出全新的 TridentAlign 和上下文嵌入模块，用于基于孪生网络的视觉跟踪。

在多个基准数据集上获得的实验结果表明，所提出的跟踪器的性能达到最先进的行列，同时所提出的跟踪器能以实时速度运行。

作者 | Janghoon Choi, Junseok Kwon, Kyoung Mu Lee

论文 | https://arxiv.org/abs/2007.06887

代码 | https://github.com/JanghoonChoi/TACT

备注 | ACCV 2020

Star | 18

      Rank 8（并列）      

Speech2Video Synthesis with 3D Skeleton Regularization and Expressive Body Poses

百度研究员提出一个全新方法：Speech2Video，将给定音频转换为特定人物照片的逼真视频，输出视频具有同步性、逼真以及丰富的身体动态。

作者 | Miao Liao, Sibo Zhang, Peng Wang, Hao Zhu, Xinxin Zuo, Ruigang Yang

论文 | https://arxiv.org/abs/2007.09198

主页 | https://sites.google.com/view/sibozhang/

speech2video

代码 | https://github.com/sibozhang/

Speech2Video

备注 | ACCV 2020

Star | 19

      Rank 8      

Regularizing Meta-Learning via Gradient Dropout

来自加州大学默塞德分校，美国NEC实验室；英伟达；台湾阳明交通大学；谷歌的学者所提出的 DropGrad 方法缓解现有的基于梯度的元学习模型中的过拟合问题，提高跨域少样本分类的性能。


作者 | Hung-Yu Tseng, Yi-Wen Chen, Yi-Hsuan Tsai, Sifei Liu, Yen-Yu Lin, Ming-Hsuan Yang

论文 | https://arxiv.org/abs/2004.05859

代码 | https://github.com/hytseng0509/

dropgrad

备注 | ACCV 2020

Star | 19

      Rank 7      

Condensed Movies: Story Based Retrieval with Contextual Embeddings

牛津大学 VGG 组学者创建了 Condensed Movies 数据集（CMD），由 3K 多部电影中的关键场景组成：每个关键场景都附有场景的高级语义描述、人物脸部轨迹和电影的元数据。该数据集是可扩展的，从 YouTube 自动获取，任何人都可以免费下载使用。

它在电影数量上也比现有的电影数据集大一个数量级；在该数据集上提供了一个文本到视频检索的深度网络基线，将字符、语音和视觉线索结合到一个单一的视频嵌入中；同时该文还展示了如何从其他视频剪辑中添加上下文来提高检索性能。

作者 | Max Bain, Arsha Nagrani, Andrew Brown, Andrew Zisserman

论文 | https://arxiv.org/abs/2005.04208

主页 | https://www.robots.ox.ac.uk/~vgg/research/

condensed-movies/

代码 | https://github.com/m-bain/CondensedMovies

备注 | ACCV 2020 Oral 

Star | 20

      Rank 6      

A Sparse Gaussian Approach to Region-Based 6DoF Object Tracking

德国航空航天中心和慕尼黑工业大学学者提出一个全新的、高效的、稀疏的基于区域的 6DoF 目标跟踪方法，只需一个单目 RGB 相机和 3D 目标模型。

在 RBOT 数据集上，所提出算法在跟踪成功率和计算效率方面都以相当大的优势优于最先进的基于区域的方法。


作者 | Manuel Stoiber, Martin Pfanne , Klaus H. Strobl, Rudolph Triebel ,  Alin Albu-Sch

论文 | https://openaccess.thecvf.com/content/ACCV2020/

papers/Stoiber_A_Sparse_Gaussian_Approach_to_

Region-Based_6DoF_Object_Tracking_ACCV_2020_paper.pdf

代码 | https://github.com/DLR-RM/RBGT

备注 | ACCV 2020

Star | 23

      Rank 5      

TinyGAN: Distilling BigGAN for Conditional Image Generation

GANs 虽然是生成式图像建模的一种强大方法，但其训练的不稳定性却十分棘手，特别是在大规模的复杂数据集上。近期的 BigGAN 工作显著提高了 ImageNet 的图像生成质量，但它需要一个巨大的模型，因此很难在资源有限的设备上部署。

为了减小模型大小，中国台湾中央研究院资讯科学研究所学者提出一种压缩 GAN 的黑盒知识蒸馏框架，突出了稳定高效的训练过程。给定 BigGAN 作为教师网络，设法训练一个小得多的学生网络来模仿它的功能，在生成器的参数减少 16 倍的情况下，在Inception 和 FID 分数上实现了有竞争力的性能。

作者 | Ting-Yun Chang, Chi-Jen Lu

论文 | https://arxiv.org/abs/2009.13829

代码 | https://github.com/terarachang/

ACCV_TinyGAN

备注 | ACCV 2020

Star | 30

      Rank 4      

Localize to Classify and Classify to Localize: Mutual Guidance in Object Detection

来自法国雷恩第一大学，法国南布列塔尼大学，ATERMES公司等的学者对在 predefined anchor boxes 和 ground truth boxes 之间使用 IoU 作为目标检测中 anchor matching 的良好标准提出质疑，并研究了检测过程中涉及的两个子任务（即定位和分类）的相互依赖性。

提出 Mutual Guidance 机制，通过根据一个任务的预测质量为另一个任务分配锚标签，提供锚和目标之间的自适应匹配，反之亦然。在不同的架构和不同的公共数据集上评估了所提出的方法，并与传统的静态锚匹配策略进行了比较。报告的结果显示了这种机制在目标检测中的有效性和通用性。

作者 | Heng Zhang, Elisa Fromont, Sébastien Lefevre, Bruno Avignon

论文 | https://arxiv.org/abs/2009.14085

代码 | https://github.com/ZHANGHeng19931123/

MutualGuide

备注 | ACCV 2020

Star | 31

      Rank 3      

Patch SVDD: Patch-level SVDD for Anomaly Detection and Segmentation

来自韩国首尔大学的学者提出 Patch SVDD 方法，用于图像异常检测和分割的方法。与 Deep SVDD 不同的是，在 patch level 时检查图像，可以定位缺陷。额外的自监督学习提高了检测性能。因此，所提出的方法在MVTec AD工业异常检测数据集上取得SOTA。

作者 | Jihun Yi, Sungroh Yoon

论文 | https://arxiv.org/abs/2006.16067

代码 | https://github.com/nuclearboy95/Anomaly-

Detection-PatchSVDD-PyTorch

备注 | ACCV 2020

Star | 45

      Rank 2      

DeepSEE: Deep Disentangled Semantic Explorative Extreme Super-Resolution

来自苏黎世联邦理工学院的计算机视觉实验室，作者称 DeepSEE 是第一个利用语义图探索超分辨率的方法，所提出模型大大超越了普通的放大系数，可放大到 32 倍，对人脸的验证证明了高感知质量的结果。

作者还指出了一些进一步可研究方向，如在隐风格空间中确定有意义的方向（如年龄、性别、光照度、对比度等），或者将DeepSEE应用到其他领域。

作者 | Marcel C. Bühler, Andrés Romero, Radu Timofte  

论文 | https://arxiv.org/abs/2004.04433

主页 | https://mcbuehler.github.io/DeepSEE/

代码 | https://github.com/mcbuehler/DeepSEE

备注 | ACCV 2020 (oral)  

Star | 49

      Rank 1      

OpenTraj: Assessing Prediction Complexity in Human Trajectories Datasets

来自法国雷恩第一大学、伦敦大学学院等的学者在本文中研究的内容是人类轨迹预测（Human Trajectory Prediction (HTP) ）数据集的比较，并围绕人类轨迹预测性、轨迹规律性、上下文复杂性这三个概念对不同数据集的复杂度进行了评估。并根据这些指标比较了 HTP 任务中最常见的数据集，以及讨论了对 HTP 算法基准测试的意义。

在 Github 上介绍了现有的 HTP 数据集，并提供了加载、可视化和分析数据集的工具。

作者 | Javad Amirian, Bingqing Zhang, Francisco Valente Castro, Juan Jose Baldelomar, Jean-Bernard Hayet, Julien Pettre

论文 | https://arxiv.org/abs/2010.00890

代码 | https://github.com/crowdbotp/OpenTraj

备注 | ACCV 2020

标签
#算法 #计算机视觉 #机器学习 #人工智能 #深度学习
无监督异常检测论文集.zip 里面有27篇论文，都是18-21年的论文，包含综述和顶会等。 立即下载

相关推荐

iccv论文集

iccv的一个论文集，搞计算机视觉的可以看看

ACCV 2020 开幕，最佳论文出炉！附所有论文下载

ACCV （Asian Conference on Cpmputer Vision） 为CCF(中国计算机学会)推荐的国际会议，是仅次于CVPR、ICCV、ECCV 的计算机视觉领域C类...

OpenCV中文网 1291

基于STM32的Modbus TCP多主站数据监测

Modbus TCP通信协议在STM32上实现，STM32作为服务器采集内部传感器数据，并通过ADC进行转换，存入寄存器。两个PC机作为客户端访问服务器，服务器通过Socket通信实现监听连接，将数据发送给客户端。

hyp12347的博客 4295

《Patch SVDD: Patch-level SVDDfor Anomaly Detection and Segmentation》论文阅读笔记

Patch SVDD

m0_46314815的博客 1417

深度学习初探 - 入门 DL 主流框架

这个课程主要是引导大家入门TensorFlow、Theano、Keras 及 Caffe 几个主流的深度学习框架。在课程中有关各种算法的详细推导及思想我们不会做过多的陈诉，旨在通过让同学们动手操作搭建自己的神经网络模型，了解如何使用这些框架解决实际问题。课程会基于每个框架的官方文档，先带大家熟悉框架中基本的定义语法及常用函数（可看成深度模型的小零件），每个实验最后都会综合这些零件搭建一个简易的神经深度网络模型。这个项目十分适合具有一定python编程基础，对人工智能、深度学习感兴趣的同学。Theano。

2401_86435672的博客 1236

免费搞定DWG转DXF：ODA File Converter保姆级配置指南（附常见报错解决）

本文详细介绍了如何使用ODA File Converter免费工具实现DWG到DXF的格式转换，包括环境配置、命令行参数解析、编程集成方案及常见问题解决。特别针对网络访问异常、参数配置等实际痛点提供应对策略，帮助用户高效完成工程设计文件的格式转换。

weixin_29291185的博客 6061

李德毅获吴文俊人工智能最高成就奖 | AI日报

为了方便大家及时了解国内外AI领域的重要事件、科研进展、相关讨论等，我们智源社区推出了《AI日报》系列，以飨诸位。2020年度第十届吴文俊人工智能科学技术奖获奖名单出炉！李德毅院士获最高...

BAAIBeijing的博客 1103

Windows 10 本地开发环境：用 ShardingSphere-Proxy 5.4.1 快速搭建 MySQL 分库分表测试环境

本文详细介绍了在Windows 10系统中使用ShardingSphere-Proxy 5.4.1快速搭建MySQL分库分表测试环境的完整教程。从环境准备、MySQL配置到ShardingSphere-Proxy的核心设置，逐步指导开发者完成本地开发环境的搭建，并提供了分片策略详解和常见问题排查方法，帮助开发者高效验证分库分表功能。

weixin_28366053的博客 215

6D位姿估计 按年份会议论文及代码汇总[转载]

按会议和年份总结6D位姿估计paper

JianqiuChen的博客 1055

28-基于STM32单片机的便携式健康监测系统设计与实现（程序+原理图+元件清单）

本文详细介绍了基于STM32单片机的便携式健康监测系统设计与实现，该系统集成MAX30102光电传感器和MSP20压力传感器，实时监测心率、血氧和血压等关键生理指标。通过STM32F103C8T6主控芯片和HC-05蓝牙模块，实现数据采集、处理及无线传输，具有便携性高、操作简便等特点，适用于家庭健康监护和户外运动场景。

weixin_29191669的博客 421

SpringAI系列 - MCP篇（二） - MCP Server Boot Starter

此处需注意之前的。

罗小爬的技术宝书 1323

SRT3D: A Sparse Region-Based 3D Object Tracking Approach for the Real World

基于区域的方法在基于模型的单目3D跟踪无纹理物体的复杂场景中变得越来越流行。然而，尽管它们能够实现最先进的结果，大多数方法的计算开销很大，需要大量资源来实时运行。在下文中，我们基于之前的工作，开发了SRT3D，这是一种稀疏的基于区域的3D物体跟踪方法，旨在弥合效率上的差距。我们的方法在所谓的对应线（这些线模型化了物体轮廓位置的概率）上稀疏地考虑图像信息。由此，我们改进了当前的技术，并引入了考虑定义的全局和局部不确定性的平滑阶跃函数。对于所得到的概率公式，提供了详尽的分析。

weixin_45834800的博客 2522

某物data魔改与变种算法还原（含加解密Py纯算）

某物data加解密、设备指纹魔改、变异、自定义加密分析与纯算还原

吴秋霖的博客 1283

顶会论文分类汇总，包含WACV21/CVPR19、20/ECCV20（附下载）

注：点击文末『阅读原文』可获取各顶会论文百度云下载链接 1 WACV 2021 论文索引WACV 2021 开幕，更偏重技术应用，附论文下载强调应用的WACV 2021，5篇最佳论文都...

OpenCV中文网 855

交通仿真软件：SUMO_（1）.SUMO基础知识

SUMO 中的交通网络由节点（junctions）和边（edges）组成。节点表示交叉口或路网的连接点，边表示连接节点之间的道路。节点：节点文件（.nod.xml）定义了网络中的所有节点。每个节点有一个唯一的 ID 和坐标。</边：边文件（.edg.xml）定义了连接节点的边。每个边有一个唯一的 ID、起点节点 ID 和终点节点 ID。</车辆文件（.vtype.xml）定义了不同类型的车辆。每个车辆类型可以有不同的参数，例如长度、最大速度、加速度等。</

kkchenjj的博客 1433

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

计算机视觉领域必读论文清单：Awesome-Computer-Vision-Paper-List精选推荐

探索计算机视觉领域最前沿的研究成果从未如此简单！Awesome-Computer-Vision-Paper-List是一个精心整理的计算机视觉顶级会议论文资源库，为研究人员、学生和从业者提供了快速查找和浏览最新计算机视觉论文的完整解决方案。这个开源项目汇集了各大顶级计算机视觉会议的论文列表，让您能够轻松追踪领域内最新进展，验证研究想法的原创性，并发现相关研究方向。 ## 📚 项目核心价值：一站

gitblog_00502的博客 437

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")

从入门到精通：Awesome-Computer-Vision-Paper-List的3种高效使用方法

Awesome-Computer-Vision-Paper-List是一个收集计算机视觉顶级会议论文的开源项目，旨在帮助研究者和爱好者便捷地搜索相关论文，验证研究思路或探索不同研究领域的成果。项目包含多个顶级AI会议的已接受论文，所有信息均来自官方网站，确保准确性和权威性。 ## 🌟 快速入门：项目结构与内容概览 该项目按会议类型和年份组织论文资源，主要包含以下顶级会议的论文列表： - *

gitblog_00253的博客 768

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，

文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况

主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。

真的，关于深度学习与计算机视觉，看这一篇就够了 | 硬创公开课

人工智能是人类一个非常美好的梦想，跟星际漫游和长生不老一样。我们想制造出一种机器，使得它跟人一样具有一定的对外界事物感知能力，比如看见世界。

雷锋网 2080

真的，关于深度学习与计算机视觉，看这一篇就够了

[转]http://www.leiphone.com/news/201605/zZqsZiVpcBBPqcGG.html 今年夏天，雷锋网将在深圳举办“全球人工智能与机器人创新大会”（GAIR），在本次大会上，我们将发布“人工智能与机器人Top25创新企业榜“，慧眼科技是我们重点关注的公司之一。今天，我们邀请到慧眼科技研发总监李汉曦，为我们带来深度学习与计算机视觉方面的内容分享。

xiangz_csdn的博客 8508

一文看懂深度学习与计算机视觉

from:http://www.eefocus.com/component/362248 今年夏天，将在深圳举办“全球人工智能与机器人创新大会”（GAIR），在本次大会上，我们将发布“人工智能与机器人Top25创新企业榜“，慧眼科技是我们重点关注的公司之一。今天，我们邀请到慧眼科技研发总监李汉曦，为我们带来深度学习与计算机视觉方面的内容分享。 嘉宾介绍：李汉曦，慧眼科技研发总监，澳大利

凌风探梅的专栏 2479

一文看懂深度学习与计算机视觉(上)

今年夏天，将在深圳举办“全球人工智能与机器人创新大会”（GAIR），在本次大会上，我们将发布“人工智能与机器人Top25创新企业榜“，慧眼科技是我们重点关注的公司之一。今天，我们邀请到慧眼科技研发总监李汉曦，为我们带来深度学习与计算机视觉方面的内容分享。 嘉宾介绍：李汉曦，慧眼科技研发总监，澳大利亚国立大学博士；曾任澳大利亚国家信息通信公司(NICTA)任高级研究员；人脸识别，物体检测，物体

1852

一文看懂深度学习与计算机视觉(转)

今年夏天，将在深圳举办“全球人工智能与机器人创新大会”（GAIR），在本次大会上，我们将发布“人工智能与机器人Top25创新企业榜“，慧眼科技是我们重点关注的公司之一。今天，我们邀请到慧眼科技研发总监李汉曦，为我们带来深度学习与计算机视觉方面的内容分享。嘉宾介绍：李汉曦，慧眼科技研发总监，澳大利亚国立大学博士；曾任澳大利亚国家信息通信公司(NICTA)任高级研究员；人脸识别，物体检测，物体跟踪、深...

weixin_33974433的博客 170
上一篇： 深度学习在计算机视觉领域（包括图像，视频，3-D点云，深度图）的应用一览
下一篇： 数据可视化的 30 个小技巧
点赞 1
评论 0
书签 书签 3
机器学习算法那些事
机器学习算法那些事
博客等级 码龄9年 1633粉丝 62原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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
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