这年头，AI玩家们想找到合适的图像数据集，简直是越来越难了。为了解决这些问题，来自谷歌、MIT、DeepMind、MILA和剑桥大学等11家机构的34名研究人员，联手打造了一个名叫Kubric的数据集生成器，不仅能自己渲染，而且图像效果也非常真实。
传统图像补全方法擅长从背景图像中采样，CNN模型则擅长直接生成新的纹理，为了综合利用这两类方法的长处，并充分使用图片中的冗余信息，研究者提出了基于注意力机制的方法来进行图像补全，这一类方法通常采用由粗到细的两个步骤， 第一步先粗略补全，第二步再在未遮挡区域寻找与遮挡区域中相似的图片块来进行改进。
近日，一篇匿名的 ICLR 2021 投稿论文将标准 Transformer 直接应用于图像，提出了一个新的 Vision Transformer 模型，并在多个图像识别基准上实现了接近甚至优于当前 SOTA 方法的性能。
首先给大家带来一个10折交叉验证，代码如下:import pandas as pd。import LeaveOneOut后同样还是改变cv参数为LeaveOneOut即可以实现留一验证，这个验证非常耗时间，我电脑跑这个用了快10分钟，大家可以试试看，得到结果如下图:最后我们可以输出留一验证的平均模型正确率:小结。
