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。
# 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
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
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。
该项目旨在开源一系列机器学习相关的核心算法来解决许多现实场景中的任务。机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。项目组通过研究计算机模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能如SVM,主成分分析(PCA),XGBT等。此外深度学习作为机器学习最重要的一个分支,近年来发展迅猛,在国内外都引起了广泛的关注。因此该项目组研发了一系列基于深度学习的核心算法,如解决点云语意的FPConv,拥挤场景下的人体关键点检测的OPEC-Net 等。
前沿的人工智能技术可以有效地推动下一代无线系统和网络的智能化演进。本平台旨在为相关工作者提供一个共享数据和代码的空间。
sparklyr是一个使用Apache Spark™、R和一个丰富的扩展生态系统来扩展数据科学和机器学习工作流的开放源码和现代界面。
原始仓库地址:https://github.com/sparklyr/sparklyr.git
Pyro是一种通用概率编程语言(PPL),用Python编写,PyTorch在后端支持它。Pyro支持灵活和表达能力强的深度概率建模,将现代深度学习和贝叶斯建模的优点结合在一起。
原始仓库地址:https://github.com/pyro-ppl/pyro.git
NNStreamer是一组Gstreamer插件,为采用神经网络模型的Gstreamer开发人员和管理神经网络管道及其过滤器的神经网络开发人员提供简化和高效的支持。
原始仓库地址:https://github.com/nnstreamer/nnstreamer.git