鹏城实验室开源半自动标注系统 Java

Fork 0 关注 1

半自动标注系统是基于BS架构，由鹏城实验室自主研发，集成目标检测、视频跟踪、ReID分类、人脸检测等算法，实现了对图像，视频的自动标注，并可以人工对自动标注结果进行调整得到最终标注结果，同时也可以对视频、图片、医疗相关的数据进行人工标注。 半自动标注系统主要功能有：用户管理，数据集管理，自动标注，人工标注，ReID标注，车流统计，视频标注，医疗CT标注，超大图像标注，模型管理与重训，报表管理。数据标注过程一个非常重要的因素是数据安全，在标注使用中防止数据泄露，采用基于web标注工具是有效避免数据泄露的措施之一。 半自动标注系统以保证性能的情况下最小化人工标注代价为目标，不断提升自动标注效率，减少人工标注和人工参与过程。

eegtrack Python

Fork 0 关注 0

本工具包实现大批量、跨被试、跨设备的脑电数据和标签的预处理、采样、平衡、存储和机器学习数据集生成，涵盖分类、回归、自编码器、单样本模型调试等功能。需要Python 3.5以上的环境。

slurm-atlas-plugin C

Fork 0 关注 0

当您准备或已经在HPC（High Performance Computing）等大规模计算场景使用了昇腾AI集群，希望简化集群资源管理以及任务调度的相关工作，那么可以使用由北大团队合作贡献到昇腾开源社区的slurm plugin项目（https://gitee.com/ascend/slurm-atlas-plugin） 更加详细介绍参考：昇腾开发者 微信公众号对本项目的介绍。 https://mp.weixin.qq.com/s/jJ1Y-DR-00dd6U4I8V4PGA

原始仓库地址：https://gitee.com/ascend/slurm-atlas-plugin.git

prp Python

Fork 0 关注 0

This is the implementation of "Video Playback Rate Perception for Self-supervised Spatio-Temporal Representation Learning" in IEEE Conference on Computer Vision and Pattern Recognition(CVPR 2020)

原始仓库地址：https://github.com/yuanyao366/prp.git

PMMs-小样本语义分割方法 Python

Fork 0 关注 0

本项目提出了一种基于原型混合模型的小样本语义分割方法。该方法用于解决小样本语义分割中语义混叠的问题，在Pascal VOC 和COCO数据集上取得了显著的提升。 相关研究发表于ECCV 2020： "Prototype Mixture Models for Few-shot Semantic Segmentation" in European Conference on Computer Vision(ECCV 2020).

pySNNGo Python

Fork 0 关注 0

本项目为SNNgo脉冲神经网络模型模拟器的前端开发工具，基于python开发，用于脉冲神经网络模型的描述和生成。

SNNGo GO

Fork 0 关注 0

SNNGo是基于golang开发的脉冲神经网络模型的模拟器，可通过Docker技术快速部署。可部署模拟各类尖峰神经元网络模型，如信息处理模型（哺乳动物的视觉或听觉皮层）、网络活动动态模型（层状皮层网络或平衡随机网络）、学习和可塑性的模型。

HA_TSFN Python

Fork 0 关注 0

# HA_TSFN 基于食品多媒体数据，如图片视频等，进行食品场所的识别和分类 ## 数据获取 视频数据集从 https://acmmm16.wixsite.com/mm16 下载 图像数据集是从google，bing，baidu等网站爬取过滤得来的 ## 特征提取 使用ImageNet预训练的CNN提取内容信息，使用kinetics预训练的C3D模型提取动作信息。其中， ### 全局特征 使用全局注意力机制来提取加强场景信息和上下文信息 ### 局部特征 使用局部注意力机制来提取强化关键物体信息 ## HA-TSFN 基于tensorflow1.4和Python2.7实现

原始仓库地址：https://git.pcl.ac.cn/zhangyanchao/ha_tsfn.git

opec-net Python

Fork 0 关注 0

基于深度学习的人体骨架估计，并且在多个数据集上达到了sota 的结果

原始仓库地址：https://github.com/lingtengqiu/opec-net.git

Scalable Gaussian Process for Wireless Traffic Prediction Matlab

Fork 0 关注 0

该分布式高斯过程模型包含两个算法，即基于矩阵近似的分布式GP训练算法和基于交叉验证的分布式GP预测算法，分别对应于高斯过程的训练过程和预测过程。成果发表于IEEE Journal on Selected Areas in Communications.上的期刊论文Wireless Traffic Prediction with Scalable Gaussian Process: Framework, Algorithms, and Verification。分布式GP训练算法的核心思想是基于ADMM算法将原高斯过程的超参数优化问题拆分为多个更易于解决的子问题，并交由多个分布式计算单元分别解决。分布式GP预测算法的核心思想是利用交叉验证思想，将分布式计算单元的本地预测结果融合为一个更准确的全局预测结果。