模型说明文档

增量学习（Incremental Learning）

1 Continual Learning with Deep Generative Replay (DGR)

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

2 Learning without forgetting (LWF)

2.1 模型描述

2.2 数据说明

2.3 代码说明

2.4 出处

2.5 开发人员及开发时间

3 End to End incremental leaning

3.1 模型描述

3.2 数据说明

3.3 代码说明

3.4 出处

3.5 开发人员及开发时间

4 Pooled Outputs Distillation for Small-Tasks Incremental Learning(POD)

4.1 模型描述

4.2 数据说明

4.3 代码说明

4.4 出处

4.5 开发人员及开发时间

5 Learning Invariant Representation for Continual Learning (IRCL)

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

6 Dynamically Expandable Representation for Class Incremental Learning(DER)

6.1 模型描述

6.2 数据说明

6.3 代码说明

6.4 出处

6.5 开发人员及开发时间

7 Co-transport for class Incremental learning(COIL)

7.1 模型描述

7.2 数据说明

7.3 代码说明

7.4 出处

7.5 开发人员及开发时间

8 Large scale incremental learning (BiC)

8.1 模型描述

8.2 数据说明

8.3 代码说明

8.4 出处

8.5 开发人员及开发时间

9 Elastic Weight Consolidation(EWC) for Life long Learning

9.1 模型描述

9.2 数据说明

9.3 代码说明

9.4 出处

9.5 开发人员及开发时间

10 RMM: Reinforced Memory Management for Class-Incremental Learning

10.1 模型描述

10.2 数据说明

10.3 代码说明

10.4 出处

10.5 开发人员及开发时间

11 Fetril: Feature Translation for Exemplar-Free Class-Incremental Learning

11.1 模型描述

11.2 数据说明

11.3 代码说明

11.4 出处

11.5 开发人员及开发时间

12 SSRE: Self-Sustaining Representation Expansion for Non-Exemplar Class-Incremental Learning

9.1 模型描述

9.2 数据说明

9.3 代码说明

9.4 出处

9.5 开发人员及开发时间

多任务学习（Multi-task Learning）

1 MTFD

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

2 多任务多级特征融合卷积收缩自编码器（Multi-Task Multi-Level Feature Fusion Convolution Shrinkage Autoencoder， MTMLF_CSAE）

2.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

自监督学习（Self-supervised Learning）

迁移学习 （Transfer Learning）

1. Adaptive joint distribution adaptation network (AJDA)

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

2. FC-MSDA

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

3. SDAN

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

4 自监督特征学习（Self-Supervised Feature Learning, SSFL）

4.1 模型描述

4.2 数据说明

4.3 代码说明

4.4 出处

4.5 开发人员及开发时间

图神经网络（Graph Neural Network）

1. GCN

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

2 GAT

2.1 模型描述

2.2 数据说明

2.3 代码说明

2.4 出处

2.5 开发人员及开发时间

3 Pruning graph convolutional network(PGCN)

3.1 模型描述

3.2 数据说明

3.3 代码说明

3.4 出处

3.5 开发人员及开发时间

4 graphSAGE

4.1 模型描述

4.2 数据说明

4.3 代码说明

4.4 出处

4.5 开发人员及开发时间

5 FastGCN

5.1 模型描述

5.2 数据说明

5.3 代码说明

5.4 出处

5.5 开发人员及开发时间

6 DGCNN

6.1 模型描述

6.2 数据说明

6.3 代码说明

6.4 出处

6.5 开发人员及开发时间

7 cluster-GCN

7.1 模型描述

7.2 数据说明

7.3 代码说明

7.4 出处

7.5 开发人员及开发时间

8 chebynet

8.1 模型描述

8.2 数据说明

8.3 代码说明

8.4 出处

8.5 开发人员及开发时间

9 GCNII

9.1 模型描述

9.2 数据说明

9.3 代码说明

9.4 出处

10 SGC

10.1 模型描述

10.2 数据说明

10.3 代码说明

10.4 出处

11 GIN

11.1 模型描述

11.2 数据说明

11.3 代码说明

11.4 出处

12 GLCN

12.1 模型描述

12.2 数据说明

12.3 代码说明

12.4 出处

13 GCNN-Explainability

13.1 模型描述

13.2 数据说明

13.3 代码说明

13.4 出处

14 Graphframex

14.1 项目描述

14.2 数据说明

14.3 代码说明

14.4 出处

15 GWNN 图小波神经网络

15.1 项目描述

15.2 数据说明

15.3 代码说明

15.4 出处

16 ZORRO图解释器

16.1 项目描述

16.2 数据说明

16.3 代码说明

16.4 出处

17 LADIES

17.1 项目描述

17.2 数据说明

17.3 代码说明

17.4 出处

18 GAE

18.1 项目描述

18.2 数据说明

18.3 代码说明

18.4 出处

19 VGAE

19.1 项目描述

19.2 数据说明

19.3 代码说明

19.4 出处

20 CE-GAT

20.1 项目描述

20.2 数据说明

20.3 代码说明

20.4 出处

21 Sp-GAT

21.1 项目描述

21.2 数据说明

21.3 代码说明

21.4 出处

22 DropEdge

22.1 项目描述

22.2 数据说明

22.3 代码说明

22.4 出处

23 GRACE

23.1 项目描述

23.2 数据说明

23.3 代码说明

23.4 出处

24 NNK_graph_construction

24.1 项目描述

24.2 数据说明

24.3 代码说明

24.4 出处

25 KNN_graph_construction

25.1 项目描述

25.2 数据说明

25.3 代码说明

25.4 出处

26 TAGCN

26.1 项目描述

26.2 数据说明

26.3 代码说明

26.4 出处

27 GNN-FiLM

27.1 项目描述

27.2 数据说明

27.3 代码说明

27.4 出处

28 APPAP

28.1 项目描述

28.2 数据说明

28.3 代码说明

28.4 出处

29 ARMA

29.1 项目描述

29.2 数据说明

29.3 代码说明

29.4 出处

30 CF-GNNExplainer

30.1 项目描述

30.2 数据说明

30.3 代码说明

30.4 出处

31 DAGNN

31.1 项目描述

31.2 数据说明

31.3 代码说明

31.4 出处

32 GGNN

32.1 项目描述

32.2 数据说明

32.3 代码说明

32.4 出处

34 Node2vec

34.1 项目描述

34.2 数据说明

34.3 代码说明

34.4 出处

35 Correct and Smooth

35.1 项目描述

35.2 数据说明

35.3 代码说明

35.4 出处

36 Labor

36.1 项目描述

36.2 数据说明

36.3 代码说明

36.4 出处

37 P-GNN

37.1 项目描述

37.2 数据说明

37.3 代码说明

37.4 出处

38 P-GNN

38.1 项目描述

38.2 数据说明

38.3 代码说明

38.4 出处

39 JKNet

39.1 项目描述

39.2 数据说明

39.3 代码说明

39.4 出处

40 GRAND

40.1 项目描述

40.2 数据说明

40.3 代码说明

40.4 出处

41 TAHIN

41.1 项目描述

41.2 数据说明

41.3 代码说明

41.4 出处

42 GCMC

42.1 项目描述

42.2 数据说明

42.3 代码说明

42.4 出处

43 DGI

43.1 项目描述

43.2 数据说明

43.3 代码说明

43.4 出处

44 VRGCN

44.1 项目描述

44.2 数据说明

44.3 代码说明

44.4 出处

45 HardGAT

45.1 项目描述

45.2 数据说明

45.3 代码说明

45.4 出处

46 RGAT

46.1 项目描述

46.2 数据说明

46.3 代码说明

46.4 出处

47 DGMG

47.1 项目描述

47.2 数据说明

47.3 代码说明

47.4 出处

48 SEAL

48.1 项目描述

48.2 数据说明

48.3 代码说明

48.4 出处

49 compGCN

49.1 项目描述

49.2 数据说明

49.3 代码说明

49.4 出处

50 sagpool

50.1 项目描述

50.2 数据说明

50.3 代码说明

50.4 出处

51 eigenpool

51.1 项目描述

51.2 数据说明

51.3 代码说明

51.4 出处

小样本学习（Few-shot Learning）

1. Feature Transfer Net(FTN)——Few-shot Transfer Learning

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

2. Meta Relation Net(MRN)——Few-shot Transfer Learning

2.1 模型描述

2.2 数据说明

2.3 代码说明

2.4 出处

2.5 开发人员及开发时间

3. Semi-supervised Meta-learning Networks(SSMN)

3.1 模型描述

3.2 数据说明

3.3 代码说明

3.4 出处

3.5 开发人员及开发时间

4. Zero Shot Learning(ZSL)

4.1 模型描述

4.2 数据说明

4.3 代码说明

4.4 出处

4.5 开发人员及开发时间

5. CNN-MMD

5.1 模型描述

5.2 数据说明

5.3 代码说明

5.4 出处

5.5 开发人员及开发时间

6. MAML

6.1 模型描述

6.2 数据说明

6.3 代码说明

6.4 出处

6.5 开发人员及开发时间

7. Reptile

7.1 模型描述

7.2 数据说明

7.3 代码说明

7.4 出处

7.5 开发人员及开发时间

8. Prototypical Net

8.1 模型描述

8.2 数据说明

8.3 代码说明

8.4 出处

8.5 开发人员及开发时间

9. Relation Net

9.1 模型描述

9.2 数据说明

9.3 代码说明

9.4 出处

9.5 开发人员及开发时间

10. MANN

10.1 模型描述

10.2 数据说明

10.3 代码说明

10.4 出处

10.5 开发人员及开发时间

11. DCA-BiGRU

11.1 模型描述

11.2 数据说明

11.3 代码说明

11.4 出处

11.5 开发人员及开发时间

12. MLDSO(meta-learning with discriminant space optimization)

12.1 模型描述

12.2 数据说明

12.3 代码说明

12.4 出处

12.5 开发人员及开发时间

13. FSM3(Feature Space Metric-based Meta-learning Model)

13.1 模型描述

13.2 数据说明

13.3 代码说明

13.4 出处

13.5 开发人员及开发时间

14. DASMN(Adversarial Similarity-Based Meta-learning Network)

14.1 模型描述

14.2 数据说明

14.3 代码说明

14.4 出处

14.5 开发人员及开发时间

Transformer

1. Transformer

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

2. BERT

2.1 模型描述

2.2 数据说明

2.3 代码说明

2.4 出处

2.5 开发人员及开发时间

3. ViT

3.1 模型描述

3.2 数据说明

3.3 代码说明

3.4 出处

3.5 开发人员及开发时间

4. GPT-1&2

4.1 模型描述

4.2 数据说明

4.3 代码说明

4.4 出处

4.5 开发人员及开发时间

4. TransfomerXL

4.1 模型描述

4.2 数据说明

4.3 代码说明

4.4 出处

4.5 开发人员及开发时间

5. ALiBi

5.1 模型描述

5.2 数据说明

5.3 代码说明

5.4 出处

5.5 开发人员及开发时间

6. GLU Transformer

6.1 模型描述

6.2 数据说明

6.3 代码说明

6.4 出处

6.5 开发人员及时间

7. Feedback Transformer

7.1 模型描述

7.2 数据说明

7.3 代码说明

7.4 出处

7.5 开发人员及时间

自编码器

1. AE

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 代码出处

1.5 开发人员及时间

2. Stacked AE

2.1 模型描述

2.2 数据说明

2.3 代码说明

2.4 代码出处

2.5 开发人员及时间

3. VAE

3.1 模型描述

3.2 数据说明

3.3 代码说明

3.4 出处

3.5 开发人员及开发时间

4. SDAE

4.1 模型描述

4.2 数据说明

4.3 代码说明

4.4 出处

8. AAE

5.1 模型描述

5.2 数据说明

5.3 代码说明

5.4 出处

5.5 开发人员及开发时间

9. Sparse AE

6.1 模型描述

6.2 数据说明

6.3 代码说明

6.4 出处

6.5 开发人员及开发时间

10. CAE

7.1 模型描述

7.2 数据说明

7.3 代码说明

7.4 代码出处

7.5 开发人员及时间

11. WAE

8.1 模型描述

8.2 数据说明

8.3 代码说明

8.4 代码出处

8.5 开发人员及时间

12. Contractive AE

9.1 模型描述

9.2 数据说明

9.3 代码说明

9.4 出处

9.5 开发人员及开发时间

10. Contractive AE

10.1 模型描述

10.2 数据说明

10.3 代码说明

10.4 出处

10.5 开发人员及时间

11 Kalman Variational Auto-Encoder

11.1 模型描述

11.2 数据说明

11.2 代码说明

11.3 代码出处

11.4 开发人员及时间

12 Collaborative Denoising Auto-Encoders(CDAE)

12.1 模型描述

12.2 数据说明

12.3 代码说明

12.4 出处

12.5 开发人员及时间

13. LSTM-AE

13.1 模型描述

13.2 数据说明

13.3 代码说明

13.4 代码出处

13.5 开发人员及时间

14. Maximum Mean Discrepancy Variational Autoencoder（MMD-VAE）

14.1 模型描述

14.2 数据说明

14.3 代码说明

14.4 出处

14.5 开发人员及开发时间

15. Vanilla VAE

15.1 模型描述

15.2 数据说明

15.3 代码说明

15.4 代码出处：

15.5 开发人员及时间

16. Denoising VAE

16.1 模型描述

16.2 数据说明

16.3 代码说明

16.4 代码出处

16.5 开发人员及时间

循环神经网络 （Recurrent Neural Network）

1. LSTM

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

2. RNN

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

3. GRU

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

4. BiLSTM

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

5. LSTMVAE

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

6. ConvLSTM

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

7. BiRNN

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

8. BiGRU

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

9. TPA-LSTM

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

10. ST-LSTM

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

11 TCN

11.1 模型描述

11.2 数据说明

11.3 代码说明

11.4 出处

11.5 开发人员及开发时间

生成对抗网络 （Generative Neural Network）

1 GAN

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

2 WGAN

2.1 模型描述

2.2 数据说明

2.3 代码说明

2.4 出处

2.5 开发人员及开发时间

3 DCGAN

3.1 模型描述

3.2 数据说明

3.3 代码说明

3.4 出处

3.5 开发人员及开发时间

4 SAGAN

4.1 模型描述

4.2 数据说明

4.3 代码说明

4.4 出处

4.5 开发人员及开发时间

5. 1D-GAN

5.1 模型描述

5.2 数据说明

5.3 代码说明

5.4 出处

5.5 开发人员及开发时间

6 SoftmaxGAN

6.1 模型描述

6.2 数据说明

6.3 代码说明

6.4 出处

6.5 开发人员及开发时间

7 Adversarial variational bayes

7.1 模型描述

7.2 数据说明

7.3 代码说明

7.4 出处

7.5 开发人员及开发时间

8. Vanilla GAN

8.1 模型描述

8.2 数据说明

8.3 代码说明

8.4 出处

8.5 开发人员及开发时间

9. GibbsNet

9.1 模型描述

9.2 数据说明

9.3 代码说明

9.4 出处

9.5 开发人员及开发时间

10 Least Squares GAN

10.1 模型描述

10.2 数据说明

10.3 代码说明

10.4 出处

10.5 开发人员及开发时间

11 f-GAN

11.1 模型描述

11.2 数据说明

11.3 代码说明

11.4 出处

11.5 开发人员及开发时间

12 DiscoGAN

12.1 模型描述

12.2 数据说明

12.3 代码说明

12.4 出处

12.5 开发人员及时间

13 Coupled GAN

13.1 模型描述

13.2 数据说明

13.3 代码说明

13.4 出处

13.5 开发人员及开发时间

14 ACGAN

14.1 模型描述

14.2 数据说明

14.3 代码说明

14.4 出处

14.5 开发人员及开发时间

15 InfoGAN

15.1 模型描述

15.2 数据说明

15.3 代码说明

15.4 出处

15.5 开发人员及开发时间

16 BGAN

16.1 模型描述

16.2 数据说明

16.3 代码说明

16.4 出处

16.5 开发人员及时间

17 BEGAN

17.1 模型描述

17.2 数据说明

17.3 代码说明

17.4 出处

17.5 开发人员及开发时间

18 WGAN-GP

18.1 模型描述

18.2 数据说明

18.3 代码说明

18.4 出处

18.5 开发人员及开发时间

19 CGAN

19.1 模型描述

19.2 数据说明

19.3 代码说明

19.4 出处

19.5 开发人员及开发时间

20 CycleGAN

20.1 模型描述

20.2 数据说明

20.3 代码说明

20.4 出处

20.5 开发人员及开发时间

21 BiGAN

21.1 模型描述

21.2 数据说明

21.3 代码说明

21.4 出处

21.5 开发人员及开发时间

22 CCGAN

22.1 模型描述

22.2 数据说明

22.3 代码说明

22.4 出处

22.5 开发人员及开发时间

23 DaulGAN

23.1 模型描述

23.2 数据说明

23.3 代码说明

23.4 出处

23.5 开发人员及开发时间

24 VAEGAN

24.1 模型描述

24.2 数据说明

24.3 代码说明

24.4 出处

24.5 开发人员及开发时间

25 AnoGAN

25.1 模型描述

25.2 数据说明

25.3 代码说明

25.4 出处

25.5 开发人员及开发时间

26 f-AnoGAN

26.1 模型描述

26.2 数据说明

26.3 代码说明

26.4 出处

26.5 开发人员及开发时间

27 EBGAN

27.1 模型描述

27.2 数据说明

27.3 代码说明

27.4 出处

27.5 开发人员及开发时间

28 CatGAN

28.1 模型描述

28.2 数据说明

28.3 代码说明

28.4 出处

28.5 开发人员及开发时间

29 MSGAN

29.1 模型描述

29.2 数据说明

29.3 代码说明

29.4 出处

29.5 开发人员及开发时间

30 SNGAN

30.1 模型描述

30.2 数据说明

30.3 代码说明

30.4 出处

30.5 开发人员及开发时间

31 Dicvo-DCGAN

31.1 模型描述

31.2 数据说明

31.3 代码说明

31.4 出处

31.5 开发人员及开发时间

32 CWGAN-GP

32.1 模型描述

32.2 数据说明

32.3 代码说明

32.4 出处

32.5 开发人员及开发时间

33 SSGAN-IMCNN

33.1 模型描述

33.2 数据说明

33.3 代码说明

33.4 出处

33.5 开发人员及开发时间

34 SMGAN

34.1 模型描述

34.2 数据说明

34.3 代码说明

34.4 出处

34.5 开发人员及开发时间

35 CVAEGAN-SM

35.1 模型描述

35.2 数据说明

35.3 代码说明

35.4 出处

35.5 开发人员及开发时间

36 MACGAN-SN

36.1 模型描述

36.2 数据说明

36.3 代码说明

36.4 出处

36.5 开发人员及开发时间

37 MSCGAN

37.1 模型描述

37.2 数据说明

37.3 代码说明

37.4 出处

37.5 开发人员及开发时间

38 TimeGAN

38.1 模型描述

38.2 数据说明

38.3 代码说明

38.4 出处

38.5 开发人员及开发时间

39 QSGAN

39.1 模型描述

39.2 数据说明

39.3 代码说明

39.4 出处

39.5 开发人员及开发时间

40 TransformerGAN

40.1 模型描述

40.2 数据说明

40.3 代码说明

40.4 出处

40.5 开发人员及开发时间

扩散模型Diffusion

1. DDPMs（去噪扩散概率模型）

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

2. DDIMs（去噪扩散隐式模型）

2.1 模型描述

2.2 数据说明

2.3 代码说明

2.4 出处

2.5 开发人员及开发时间

3. Denoising Diffusion Probabilistic Models (DDPM)

3.1 模型描述

3.2 数据说明

3.3 代码说明

3.4 出处

3.5 开发人员及开发时间

基于机器学习的过程故障探测与诊断（ML_based fault detection and diagnosis）

1 基于规范变量分析(Canonical variate analysis ,CVA)的故障探测

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

2 基于慢特征分析(Slow feature analysis ,SFA)的故障探测

2.1 模型描述

2.2 数据说明

2.3 代码说明

2.4 出处

2.5 开发人员及开发时间

3 基于粒子群算法的高斯混合模型(PSO_GMM)

2.1 模型描述

2.2 数据说明

2.3 代码说明

2.4 出处

2.5 开发人员及时间

基于深度学习的过程故障探测与诊断 （DL_based fault detection and diagnosis）

1 基于变分自编码器(Variational autoEncoder，VAE)的故障探测

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

2 基于最大均值差异变分自编码器(Maximum Mean Discrepancy Variational autoEncoder，MMD-VAE)的故障探测

2.1 模型描述

2.2 数据说明

2.3 代码说明

2.4 出处

2.5 开发人员及开发时间

基于深度学习的故障诊断（DL_based fault diagnosis）

1 MWMNet （多尺度加权形态滤波神经网络）

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

2. DMCNet （深度形态滤波网络）

3 Adaptive Densely Connected Convolutional Auto-encoder(ADCAE)

3.1 模型描述

3.2 数据说明

3.3 代码说明

3.4 出处

3.5 开发人员及开发时间

4. Morphological Hat Product Convolutional Autoencoder(MHPCAE)

4.1 模型描述

4.2 数据说明

4.3 代码说明

4.4 出处

4.5 开发人员及开发时间

5. Sparse Representation Network(SRNet)

5.1 模型描述

5.2 数据说明

5.3 代码说明

5.4 出处

5.5 开发人员及开发时间

6. Deep Sparse Representation Network(DSRNet)

6.1 模型描述

6.2 数据说明

6.3 代码说明

6.4 出处

6.5 开发人员及开发时间

7. Sparse Representation Convolutional Autoencoder (SRCAE)

7.1 模型描述

7.2 数据说明

7.3 代码说明

7.4 出处

7.5 开发人员及开发时间

8. Principal Component Analysis Network（PCANet）

8.1 模型描述

8.2 数据说明

8.3 代码说明

8.4 出处

8.5 开发人员及开发时间

9. Morphological Filter Dynamic Convolutional Auto-Encoder (MF-DCAE)

9.1 模型描述

9.2 数据说明

9.3 代码说明

9.4 出处

9.5 开发人员及开发时间

10. Multi-channel Morphological Attention Convolution Auto encoder network (MC-MACAE)

10.1 模型描述

10.2 数据说明

10.3 代码说明

10.4 出处

10.5 开发人员及开发时间

11 DAC（深度自适应聚类）

11.1 模型描述

11.2 数据说明

11.3 代码说明

11.4 出处

11.5 开发人员及开发时间

12 DEC（深度嵌入式聚类）

12.1 模型描述

12.2 数据说明

12.3 代码说明

12.4 出处

12.5 开发人员及开发时间

13.1 DSC（深度稀疏子空间聚类）

13.1 模型描述

13.2 数据说明

13.3 代码说明

13.4 出处

13.5 开发人员及开发时间

14 DAGC（双重自监督深度注意引导图聚类）

14.1 模型描述

14.2 数据说明

14.3 代码说明

14.4 出处

14.5 开发人员及开发时间

15 AnchorGAE（Anchor图自编码器）

15.1 模型描述

15.2 数据说明

15.3 代码说明

15.4 出处

15.5 开发人员及开发时间

16 深度残差收缩网络（Deep Residual Shrinkage Networks ，DRSN）

16.1 模型描述

16.2 数据说明

16.3 代码说明

16.4 出处

16.5 开发人员及开发时间

17 深度多重聚类（Data Augmentation Guided Deep Multiple Clustering，AugDMC）

17.1 模型描述

17.2 数据说明

17.3 代码说明

17.4 出处

17.5 开发人员及开发时间

18 超连接自编码器（Hyper Connectome AutoEncoder, HCAE）

18.1 模型描述

18.2 数据说明

18.3 代码说明

18.4 出处

18.5 开发人员及开发时间

19 超连接自编码器（Hybrid autoencoder, HCAE）

19.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

20 Gabor卷积神经网络（Transformation-invariant-Gabor-Convolutional-Networks-master, GaborCNN）

20.1 模型描述

20.2 数据说明

20.3 代码说明

20.4 出处

20.5 开发人员及开发时间

21 基于模型不可知的元学习故障诊断（Model Agnostic Meta-Learning, MAML）

21.1 模型描述

21.2 数据说明

21.3 代码说明

21.4 出处

21.5 开发人员及开发时间

22.1 MgNet (Multi-granularity Network)

22.1 模型描述

22.2 数据说明

22.3 代码说明

22.4 出处

22.5 开发人员及开发时间

23 ProNet (Prototype Network)

23.1 模型描述

23.2 数据说明

23.3 代码说明

23.4 出处

233.5 开发人员及开发时间

24 MKPCNet

24.1 模型描述

24.2 数据说明

24.3 代码说明

24.4 出处

24.5 开发人员及开发时间

25 IDRSNet

25.1 模型描述

25.2 数据说明

25.3 代码说明

25.4 出处

25.5 开发人员及开发时间

26 DCVPNet

26.1 模型描述

26.2 数据说明

26.3 代码说明

26.4 出处

26.5 开发人员及开发时间

27 MSSSL (Multi-Stage Semi-Supervised Learning)

27.1 模型描述

27.2 数据说明

27.3 代码说明

27.4 出处

27.5 开发人员及开发时间

28 IDPC (Improved Density Peaks Clustering)

28.1 模型描述

28.2 数据说明

28.3 代码说明

28.4 出处

28.5 开发人员及开发时间

29 OCNN

29.1 模型描述

29.2 数据说明

29.3 代码说明

29.4 出处

29.5 开发人员及开发时间

30 LBM (Learning-Based Method)

30.1 模型描述

30.2 数据说明

30.3 代码说明

1.4 出处

1.5 开发人员及开发时间

31 NCVAE

31.1 模型描述

31.2 数据说明

31.3 代码说明

31.4 出处

31.5 开发人员及开发时间

32 DAGDL (Dual attention- guided deep learning)

32.1 模型描述

32.2 数据说明

32.3 代码说明

32.4 出处

32.5 开发人员及开发时间

33 OSBP

33.1 模型描述

33.2 数据说明

33.3 代码说明

33.4 出处

33.5 开发人员及开发时间

34 PBSCRL (Progressively Balanced Supervised Contrastive Representation Learning)

34.1 模型描述

34.2 数据说明

34.3 代码说明

34.4 出处

1.5 开发人员及开发时间

深度信任网络模型

1. RBM(Restricted Bolltzmann Machines)

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

2 DBN

2.1 模型描述

2.2 数据说明

2.3 代码说明

2.4 出处

2.5 开发人员及开发时间

电池健康预测模型

1. Support Vector Regression (SVR)

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

2. Gaussian Process Regression (GPR)

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

神经网络量化模型

1. TRAINING AND INFERENCE WITH INTEGERS IN DEEP NEURAL NETWORKS

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

2. SWALP：Stochastic Weight Averaging in Low-Precision Training

2.1 模型描述

2.2 数据说明

2.3 代码说明

2.4 出处

2.5 开发人员及开发时间

3. Low-Precision Stochastic Gradient Langevin Dynamics

3.1 模型描述

3.2 数据说明

3.3 代码说明

3.4 出处

3.5 开发人员及开发时间

4.1 模型描述

4.2 数据说明

4.3 代码说明

4.4 出处

4.5 开发人员及开发时间

5.1 模型描述

5.2 数据说明

5.3 代码说明

5.4 出处

5.5 开发人员及开发时间

可解释性

1. LIME(Local Interpretable Model-agnostic Explanations)

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及时间

平面抓取检测（2-D Grasp Detection）

1. GG-CNN (Generative Grasping CNN)

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及时间

2. GR-ConvNet (Generative Residual Convolutional Neural Network)

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及时间

3. grasp_det_seg_cnn

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及时间

4. GKNet (Grasp keypoint network)

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及时间

5. TF-Grasp

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及时间

6. SISG-Net (simultaneous instance segmentation and grasp detection network)

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及时间

7. Grasp-Detection-NBMOD

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及时间

8. PointNetGPD

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及时间

联邦学习（Federated learning）

1. FedAvg

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及时间

2. FedProx

2.1 模型描述

2.2 数据说明

2.3 代码说明

2.4 出处

2.5 开发人员及时间

3. FedNova

3.1 模型描述

3.2 数据说明

3.3 代码说明

3.4 出处

3.5 开发人员及时间

4. SCAFFOLD

4.1 模型描述

4.2 数据说明

4.3 代码说明

4.4 出处

4.5 开发人员及时间

5. FedSGD

5.1 模型描述

5.2 数据说明

5.3 代码说明

5.4 出处

5.5 开发人员及时间

6. Fed Transfer

6.1 模型描述

6.2 数据说明

6.3 代码说明

6.4 出处

6.5 开发人员及时间

7. Dynamic weights federated transfer learning

7.1 模型介绍

7.2 数据说明

7.3 代码说明

7.4 出处

7.5 开发人员及时间

8. FedGAN

8.1 模型介绍

8.2 数据说明

8.3 代码说明

8.4 出处

8.5 开发人员及时间

9. FedGA

9.1 模型介绍

9.2 数据说明

9.3 代码说明

9.4 出处

Federated Domain Generalization with Generalization Adjustment

9.5 开发人员及时间

10. FedIIR

10.1 模型介绍

10.2 数据说明

10.3 代码说明

10.4 出处

10.5 开发人员及时间

11. FedX

11.1 模型介绍

11.2 数据说明

11.3 代码说明

11.4 出处

11.5 开发人员及时间

12. Moon

12.1 模型介绍

12.2 数据说明

12.3 代码说明

12.4 出处

12.5 开发人员及时间

13. FedCL

13.1 模型介绍

13.2 数据说明

13.3 代码说明

13.4 出处

基于深度学习的产品表面缺陷检测

1 基于CNN与Transformer的交叉教学缺陷检测

1.1 模型描述

1.2 数据说明

1.3 代码说明

1.4 出处

1.5 开发人员及开发时间

2 基于伪标签交叉教学的缺陷检测

2.1 模型描述

2.2 数据说明

2.3 代码说明

2.4 出处

2.5 开发人员及开发时间

3 基于深度协同训练的缺陷检测

3.1 模型描述

3.2 数据说明

3.3 代码说明

3.4 出处

3.5 开发人员及开发时间

4 基于平均教师模型的缺陷检测

4.1 模型描述

4.2 数据说明

4.3 代码说明

4.4 出处

4.5 开发人员及开发时间

5 基于深度对抗网络的缺陷检测

5.1 模型描述

5.2 数据说明

5.3 代码说明

5.4 出处

5.5 开发人员及开发时间

6 基于双向复制粘贴的缺陷检测

6.1 模型描述

6.2 数据说明

6.3 代码说明

6.4 出处

6.5 开发人员及开发时间

7 基于交叉一致性训练的缺陷检测

7.1 模型描述

7.2 数据说明

7.3 代码说明

7.4 出处

7.5 开发人员及开发时间

8 基于固定匹配的缺陷检测

8.1 模型描述

8.2 数据说明

8.3 代码说明

8.4 出处

8.5 开发人员及开发时间

9 基于一致性感知的缺陷检测

9.1 模型描述

9.2 数据说明

9.3 代码说明

9.4 出处

9.5 开发人员及开发时间

10 基于模糊选择一致性的缺陷检测

10.1 模型描述

10.2 数据说明

10.3 代码说明

10.4 出处

10.5 开发人员及开发时间

11 基于伪标签引导对比学习的缺陷检测

11.1 模型描述

11.2 数据说明

11.3 代码说明

11.4 出处

11.5 开发人员及开发时间

12 基于大小差异性对比学习的缺陷检测

12.1 模型描述

12.2 数据说明

12.3 代码说明

12.4 出处

13.5 开发人员及开发时间

13 基于稀疏标记的半监督缺陷检测

13.1 模型描述

13.2 数据说明

13.3 代码说明

13.4 出处

13.5 开发人员及开发时间

14 DAformer

14.1 模型描述

14.2 数据说明

14.3 代码说明

14.4 出处

14.5 开发人员及开发时间

---