流行的无模型强化学习算法 PyTorch和Tensorflow 2.0在Openai体育馆环境和自行实现的Reacher环境中均实现了最新的无模型强化学习算法。 算法包括软参与者关键（SAC），深度确定性策略梯度（DDPG），双延迟DDPG（TD3），参与者关键（AC / A2C），近端策略优化（PPO），QT-Opt（包括交叉熵（ CE）方法） ， PointNet ，运输商，循环策略梯度，软决策树等。 请注意，此存储库更多是我在研究和实施期间实施和测试的个人算法集合，而不是正式的开放源代码库/软件包以供使用。 但是，我认为与他人分享它可能会有所帮助，并且我希望对实现进行有益的讨论。 但是我没有花太多时间在清理或构建代码上。 您可能会注意到，每种算法可能都有几种实现方式，在此我特意展示所有这些方式，供您参考和比较。 此外，此存储库仅包含PyTorch实施。 对于RL算法的官方库，

用卷积滤波器matlab代码可再现的视频降噪技术 流行和可复制的视频降噪作品集。 准则：作品必须有可用的代码，并且可再现的结果证明了视频降噪的前景可观或最先进的表现。 集合的这种格式类似于 请随时为这个仓库做贡献。 视频降噪算法 在线方式 ReLD 通过在线稀疏和低秩矩阵分解实现视频降噪（SSP 2016），Guo和Vaswani。 维多萨VIDOSAT-在线视频恢复的高维稀疏变换学习（TIP 2019），Wen等。 非本地方法 VBM3D 通过稀疏3D变换域协作过滤进行视频降噪（EUSIPCO 2007），Dabov等。 VBM4D 通过可分离的4-D非局部时空变换进行视频降噪，解块和增强（TIP 2012），Maggioni等。 RNLF Sutour等人，NL均值的自适应正则化：图像和视频去噪的应用（TIP 2014）。 盐Wen的联合自适应稀疏和低秩动态：用于视频降噪的在线张量重构方案（ICCV 2017），Wen等。 贝叶斯方法 越南国家广播电视台通过时空补丁的经验贝叶斯估计对视频进行降噪（JMIV 2017），Arias和Morel 深度学习 虚拟网络CNN的非本地视频降噪

In this paper, the current research of an underwater optical wireless communication (UWOC) network is reviewed first. A hybrid laser diode (LD) and light-emitting diode (LED)-based UWOC system is then proposed and investigated, in which hybrid cluster-based networking with mobility restricted nodes is utilized to improve both the life cycle and throughput of the UWOC network. Moreover, the LEDs are utilized for the coarse alignment, while the LDs are used for high-precision positioning to reduce

强化学习经典书籍，介绍了强化学习当前的各个细节，实用性很强。

小波变换及matlab原始码最新的可再现图像恢复 基于深度学习的图像恢复工作的最新技术，包括图像超分辨率，降噪，修复，增强和一般恢复等。某些代码可能不是官方的，请仔细检查。 每个小节下的列表可能有重叠。 此列表由维护。 信息来源 该系列的灵感来自以下来源，并进行了重新组织： 去噪 超分辨率 图像超分辨率 我们遵循来组织网络设计思想中的相关工作。 每个小节下的列表可能有重叠。 监督方法 基于深度学习的超分辨率始于SRCNN。 神经网络使用深度卷积网络（TPAMI15）的图像超分辨率，Dong等。 剩余学习 VDSR 使用非常深的卷积网络（CVPR16）进行准确的图像超分辨率，Kim等。 网际网路Memnet：用于图像恢复的持久性存储网络（ICCV17），Tai等。 红色的使用具有对称跳过连接的超深度卷积编码器/解码器网络进行图像恢复（NIPS2016），Mao等人。 DRRN Tai等通过深度递归残差网络（CVPR17）实现图像超分辨率。 国际化域名Hui等人通过信息蒸馏网络（CVPR18）进行快速，准确的单图像超分辨率。 EDSR Lim等人，用于单图像超分辨率的增强型深度残差网络（N

张量流的多步骤级联网络用于脑肿瘤分割 这是我们在Python3，tensorflow和Keras上的BraTS2019论文实现。 整个肿瘤....................................肿瘤核心......................增强肿瘤 拟议方法的示意图 要求 Python3.5，Tensorflow 1.12和其他常见软件包，可以在看到 入门 是配置文件。 是程序的主要功能。 建立模型，并负责培训和测试阶段。 提供了许多在程序中使用的有用功能。 提供了多层和模型构造的一些组合。 提供了一些API来计算指标，例如DIce，Sensitivity等。 训练 该网络接受了2019年脑肿瘤分割挑战赛（Brats2019）训练数据集的培训，该数据集可从Brats2019网页上下载。 （1）编辑parameters.ini ，使其与您的本地环境一致，

这本书代表了当前世界在Reinforcement Learning领域的研究前沿

一篇关于微电网的综述，覆盖面比较广。值得一读。