典型相关分析matlab实现代码 迁移学习 Transfer Learning Everything about Transfer Learning (Probably the most complete repository?). Your contribution is highly valued! If you find this repo helpful, please cite it as follows: 关于迁移学习的所有资料，包括：介绍、综述文章、最新文章、代表工作及其代码、常用数据集、硕博士论文、比赛等等。(可能是目前最全的迁移学习资料库？) 欢迎一起贡献！ 如果认为本仓库有用，请在你的论文和其他出版物中进行引用！ @Misc{transferlearning.xyz, howpublished = {\url{http://transferlearning.xyz}}, title = {Everything about Transfer Learning and Domain Adapation}, author = {Wang, Jindong and othe

元转移学习，少量学习 该存储库包含针对论文的TensorFlow和PyTorch实现，作者孙倩*，*，（ ）和（ （* =相等贡献）。 如果您对此存储库或相关文章有任何疑问，请随时或。 检查快照分类排行榜。 概括 介绍 入门 数据集 表现 引文 致谢 介绍 已经提出将元学习作为解决具有挑战性的一次性学习设置的框架。 关键思想是利用大量类似的少量任务，以学习如何使基础学习者适应新的任务，对于该新任务，只有少量标记的样本可用。 由于深度神经网络（DNN）仅仅使用少数几个样本就趋于过拟合，因此元学习通常使用浅层神经网络（SNN），因此限制了其有效性。 在本文中，我们提出了一种称为元转移学习（MTL）的新颖的少拍学习方法，该方法可以学习将深度神经网络适应于少拍学习任务。 具体来说，meta是指训练多个任务，并且通过学习每个任务的DNN权重的缩放和移位功能来实现传递。 我们在两个具有挑

每个像素都很重要：域自适应对象检测器的中心感知特征对齐 该项目托管用于实现“ （ECCV 2020）的代码。 介绍 域自适应对象检测器旨在使其自身适应可能包含对象外观，视点或背景变化的不可见域。大多数现有方法都在图像级别或实例级别采用特征对齐。但是，全局特征上的图像级别对齐可能会同时纠缠前景/背景像素，而使用提案的实例级别对齐可能会遭受背景噪声的困扰。 与现有解决方案不同，我们提出了一种域自适应框架，该框架通过预测逐像素的对象度和中心度来考虑每个像素。具体而言，所提出的方法通过更加关注前景像素来进行中心感知对齐，从而实现跨域更好的适应性。为了更好地跨域对齐要素，我们开发了一种中心感知的对齐方法，该方法可以进行对齐过程。 我们在众多的适应性设置上展示了我们的方法，并获得了广泛的实验结果，并针对现有的最新算法展示了良好的性能。 安装 检查以获取安装说明。 我们的无锚检测器的实现很大程度上基于F

迁移学习综述论文：A Survey on Transfer Learning

matlab界面选择代码深层神经网络转移学习EEG-MEG- 该代码具有两个基于SGD和adam的CNN模型（模型1和2）。 还包括维格纳维尔（Wigner-ville）分发代码 功能：RAW EEG，短时傅立叶变换，Wigner-ville分布 深度学习参数适应：贝叶斯优化 平台：Matlab，Python 该代码用于复制题为“单一模型深度学习方法可以增强基于EEG的脑机接口的分类精度吗？”的论文。 如果您使用的是部分代码，请引用这些论文： 罗伊·苏吉特（Roy，Sujit）等。 “通道选择改善了基于MEG的脑机接口。” 2019年第9届国际IEEE / EMBS神经工程会议（NER）。 IEEE，2019年。 Roy，S.，McCreadie，K.和Prasad，G.，2019年10月。 单一模型深度学习方法能否提高基于EEG的脑机接口的分类精度？ 在2019年IEEE系统，人与控制论国际会议（SMC）（pp.1317-1321）中。 IEEE。 正在开发中

Multitask-Learning 多任务学习相关资料，主要包括代表性学者主页、论文、综述、幻灯片、论文集和开源代码。欢迎分享~ This repository collects Multitask-Learning related materials, mainly including the homepage of representative scholars, papers, surveys, slides, proceedings, and open-source projects. Welcome to share these materials! Something New!!! Homepage ML^2 @ UCF Elisa Ricci Gjorgji Strezoski Machine Learning with Interdependent and Non-ide

CMD 域不变表示学习的中心矩差异-ICLR 2017 注意：及其和均可使用 该存储库包含用于重现实验的代码，该论文在Werner Zellinger，Edwin Lughofer和Susanne Saminger-Platz的美国国际学习表示会议（ICLR2017）上发表了报告的实验。 JKU Linz的基于知识的数学系统，以及软件能力Hagenberg的数据分析系统小组的Thomas Grubinger和ThomasNatschläger。 在源代码中，CMD域正则化器用'mmatch'表示。 要求 该实现基于Theano和神经网络库Keras。 要安装Theano和Keras，请按照各自github页面上的安装说明进行操作。 您还需要：numpy，熊猫，seaborn，matplotlib，sklearn和scipy 数据集 我们在论文中报告两个不同基准数据集的结果：Amazo

用于识别花卉分类的AI应用程序 图像分类器使用卷积神经网络识别不同种类的花朵。 展望未来，人工智能算法将被整合到越来越多的日常应用中。 例如，您可能想在智能手机应用程序中包含图像分类器。 为此，您将使用在数十万张图像上训练的深度学习模型，作为整个应用程序体系结构的一部分。 将来，软件开发中的很大一部分将使用这些类型的模型作为应用程序的通用部分。 在这个项目中，我们将训练一个图像分类器来识别不同种类的花。 您可以想象在电话应用程序中使用类似的内容，该名称可以告诉您相机正在查看的花朵的名称。 实际上，我们将训练该分类器，然后将其导出以用于我们的应用程序。 我们将使用包含102种花卉类别的，您可以在下面看到一些示例。 我们在这里需要做的主要事情是： 加载并预处理图像数据集 在数据集上训练图像分类器 使用训练有素的分类器来预测图像内容 所有这些任务最初都在jupyter笔记本中涵盖。 除了

半监督转移学习的自适应一致性正则化 该存储库用于以下论文中介绍的自适应知识一致性和自适应表示表示一致性： Abulikemu Abuduweili，Li Xingjian Li，Humphrey Shi，徐成中和Dou Dedou，“半监督转移学习的自适应一致性正则化”。 该代码是在具有Tesla V100 GPU的CentOS 6.3环境（Python 3.6，PyTorch 1.1，CUDA 9.0）上开发的。 内容 介绍 在这项工作中，我们考虑半监督学习和转移学习的结合，从而导致一种更实用和更具竞争力的范例，该范例可以利用源域中强大的预训练模型以及目标域中的带标签/未带标签的数据。 为了更好地利用预训练权重和未标记目标示例的价值，我们引入了自适应一致性正则化，它由两个互补组成部分：源模型和目标模型之间（（标记和未标记）示例上的自适应知识一致性（AKC）；以及目标模型上带标签和未