【深度学习-语音分类】语种识别挑战赛Baseline提取特征并保存：训练集：测试集：转换数据格式：搭建并训练模型：生成预测结果：比赛地址：http://challenge.xfyun.cn/topic/info?type=multilingual提取特征并保存：这里提取音频文件logmel特征并保存：训练集：import osimport waveimport librosaimport nump

用DQN强化学习算法玩“合成大西瓜”！完整代码地址：1. 安装依赖库2. 设置环境变量3. 构建多层神经网络4. 构建DQN算法、Agent和经验池5. 创建Agent实例6. 训练模型7. 游戏环境补充说明7.1 游戏共有11种水果：7.2 碰撞检测：7.3 奖励机制：7.4 惩罚机制:7.5 输入特征：feature_t：feature_p：8. 多进程训练9. 我的公众号当我们用强化学习训练

一起做大创的同学在 Github 找到的源码，我调试了一下，就在这里分享吧（那tuo绿绿的是检测框，，，一打马赛克就变得emmmm一言难尽????）；Ps：需要安装 dlib，最好去官网下载whl文件用pip安装，其他安装方法有可能出来莫名其妙的Bug；PPs：需要一个模型文件，安装了opencv-python的同学可以从库函数的cv2文件夹里面找到，或者直接用文件管理器搜索 shape_pred

【深度学习-语音分类】婴儿啼哭声识别挑战赛Baseline比赛简介：Baseline：1. 加载并保存数据：2. 设置训练数据：3. 搭建LSTM模型：最终结果：比赛简介：比赛地址：http://challenge.xfyun.cn/topic/info?type=baby-cryingBaseline：1. 加载并保存数据：import osimport waveimport numpy as

基于摄像头的重识别（ReID）系统在公共安全领域得到了广泛的应用。然而，摄像机往往缺乏对人类三维形态信息的感知，并且容易受到各种限制，如照明不足、背景复杂和个人隐私，如图：在本文中，我们提出了一种基于激光雷达的 ReID 框架，ReID3D，该框架利用预训练策略来检索三维体型的特征，并引入了基于图的互补增强编码器来提取综合特征。由于缺乏激光雷达数据集，我们构建了第一个基于 LiDAR 的行人 Re

基于摄像头的重识别（ReID）系统在公共安全领域得到了广泛的应用。然而，摄像机往往缺乏对人类三维形态信息的感知，并且容易受到各种限制，如照明不足、背景复杂和个人隐私，如图：在本文中，我们提出了一种基于激光雷达的 ReID 框架，ReID3D，该框架利用预训练策略来检索三维体型的特征，并引入了基于图的互补增强编码器来提取综合特征。由于缺乏激光雷达数据集，我们构建了第一个基于 LiDAR 的行人 Re

【深度学习-语音分类】语种识别挑战赛Baseline提取特征并保存：训练集：测试集：转换数据格式：搭建并训练模型：生成预测结果：比赛地址：http://challenge.xfyun.cn/topic/info?type=multilingual提取特征并保存：这里提取音频文件logmel特征并保存：训练集：import osimport waveimport librosaimport nump

步态识别是一种重要的生物特征识别技术。基于相机的步态识别已广泛应用于研究和工业领域。由于3D结构信息的提供，基于激光雷达的步态识别最近也开始发展。然而，在某些应用程序中，相机不能识别人，如在低光环境和长距离识别场景中，激光雷达工作得很好。另一方面，激光雷达系统的部署成本和复杂性限制了其更广泛的应用。因此，在更广泛的应用中，考虑照相机和激光雷达之间的跨模态步态识别是非常必要的。在这项工作中，我们提出

【CVPR 2021】基于Wasserstein Distance对比表示蒸馏方法：Wasserstein Contrastive Representation Distillation论文地址：主要问题：主要思路：Wasserstein Distance：基本内容：定义：具体实现：Global Contrastive Knowledge Transfer：Local Contrastive Kn

【CVPR 2021】通用的实例级蒸馏：General Instance Distillation for Object Detection论文地址：主要问题：主要思路：主要贡献：具体实现：整体框架：通用实例选择模块：基于特征的蒸馏：基于关系的蒸馏：基于响应的蒸馏：实验结果：联系作者：我的公众号：论文地址：https://arxiv.org/abs/2103.02340主要问题：以往的蒸馏检测方法