超高清机器视觉材料大全包括python计算机视觉、计算机视觉、计算机视觉：一种现代方法(中文版）、深度学习之PyTorch实战计算机视觉-2018
2022/9/4 8:02:25
116.66MB
1
这个代码是安装TensorRT4.0后自带的，功能也有限，所以本人在目录中搜索一下就能看到。
所以先本人找找，找不到再下载。
有些人可能不知道有这样的范例，工作碰上很麻烦。
所以这里就打包上传。
所以先本人找找，找不到再下载。
有些人可能不知道有这样的范例，工作碰上很麻烦。
所以这里就打包上传。
2022/9/4 7:32:07
56KB
1
1、 训练数据准备所有数据均放置于Sample\Build\下，其中Build为数据类型，根据本人需要进行修改，本示例数据为512*512大小GF2建筑，训练数据按照:Sample\Build\train\IMG_T1-----------------------\IMG_LABEL-----------------\val\IMG_T1-----------------------\IMG_LABEL2、 训练参数设置参数和运行皆在dp0_train.py中，主要参数包括：（1） num_epochs，训练批次（2） learning_rate，学习率（3） dataset，步骤一本人构建的数据集名称（4） band，输入数据通道数（波段数）（5） n_class,模型输出通道数（类别）设置好后点击run即可3、 训练模型位置模型结构放与net文件中，生成模型文件pt位于Checkpointspath\4、 预测使用填写参数Checkpointspath，模型位置名称Dataset，待预测数据文件夹Outputpath，输出数据文件夹
2021/11/14 23:13:06
526.96MB
1
《深度进修之Pytorch》+《PyTorch深度进修实战》+源代码.rar
2015/8/23 5:22:10
70.8MB
1
基于Pytorch实现的深度强化学习DQN算法源代码，具有超详细的正文，已经在诸多项目中得到了实际应用。
主要包含2个文件：（1）dqn.py，实现DQN只能体的结构、经验重放池、Q神经网络、学习方法等；
（2）runner.py，使用dqn.py中的智能体与环境进行交互与学习，并最终学会仿真月球车着陆游戏。
主要包含2个文件：（1）dqn.py，实现DQN只能体的结构、经验重放池、Q神经网络、学习方法等；
（2）runner.py，使用dqn.py中的智能体与环境进行交互与学习，并最终学会仿真月球车着陆游戏。
2020/1/5 5:04:31
8KB
1
HiddenLayer-面向PyTorch/Tensorflow的神经网络图和训练襟怀的轻量库
2017/11/7 14:57:20
2.76MB
1
数据融合matlab代码自适应加权学习网络的轻量图像超分辨率王朝峰，李振和石军，“具有自适应加权学习网络的轻量图像超分辨率”，该代码基于依存关系的Python3.5PyTorch＞=0.4.0麻木skimage意象matplotlibtqdm代码 gitclonegit@github.com:ChaofWang/AWSRN.git cdAWSRN抽象的近年来，深度学习已以出色的功能成功地应用于单图像超分辨率（SISR）任务。
但是，大多数基于卷积神经网络的SR模型都需要大量计算，这限制了它们在现实世界中的应用。
在这项工作中，为SISR提出了一种轻量级SR网络，称为自适应加权超分辨率网络（AWSRN），以解决此问题。
在AWSRN中设计了一种新颖的局部融合块（LFB），用于有效的残差学习，它由堆叠的自适应加权残差单元（AWRU）和局部残差融合单元（LRFU）组成。
此外，提出了一种自适应加权多尺度（AWMS）模块，以充分利用重建层中的特征。
AWMS由几个不同的尺度卷积组成，并且可以根据AWMS中针对轻量级网络的自适应权重的贡献来删除冗余尺度分
但是，大多数基于卷积神经网络的SR模型都需要大量计算，这限制了它们在现实世界中的应用。
在这项工作中，为SISR提出了一种轻量级SR网络，称为自适应加权超分辨率网络（AWSRN），以解决此问题。
在AWSRN中设计了一种新颖的局部融合块（LFB），用于有效的残差学习，它由堆叠的自适应加权残差单元（AWRU）和局部残差融合单元（LRFU）组成。
此外，提出了一种自适应加权多尺度（AWMS）模块，以充分利用重建层中的特征。
AWMS由几个不同的尺度卷积组成，并且可以根据AWMS中针对轻量级网络的自适应权重的贡献来删除冗余尺度分
2018/6/1 12:43:36
3.95MB
1
用于训练Submanifold稠密卷积网络的Torch/PyTorch库
2015/1/3 19:55:05
378KB
1
matlab插值代码解释FSRCNN由Pytorch和Matlab复制《加速超分辨率卷积神经网络》（CVPR2016）论文。
依存关系Matlab2016火炬1.0.0解释论文作者url：提供的一些Matlab代码。
使用两种语言进行项目的次要原因是因为双三次插值的实现方式不同，这导致使用PSNR标准时结果的差异更大。
概述网络概述和与SRCNN的比较：用法使用./data_pro/data_aug.m进行扩充。
使用./data_pro/generate_train.m生成train.h5。
使用./data_pro/generate_test.m生成test.h5。
乘坐train.py火车：pythontrain.py将Pytorch模型.pkl转换为Matlab矩阵.mat。
（weights.pkl-＞weights.mat）pythonconvert.py使用./test/demo_FSRCNN.m获得结果。
结果使用./model/weights.mat可以得到结果：Set5平均：重建PSNR=32.52dBVS双三次PSNR
依存关系Matlab2016火炬1.0.0解释论文作者url：提供的一些Matlab代码。
使用两种语言进行项目的次要原因是因为双三次插值的实现方式不同，这导致使用PSNR标准时结果的差异更大。
概述网络概述和与SRCNN的比较：用法使用./data_pro/data_aug.m进行扩充。
使用./data_pro/generate_train.m生成train.h5。
使用./data_pro/generate_test.m生成test.h5。
乘坐train.py火车：pythontrain.py将Pytorch模型.pkl转换为Matlab矩阵.mat。
（weights.pkl-＞weights.mat）pythonconvert.py使用./test/demo_FSRCNN.m获得结果。
结果使用./model/weights.mat可以得到结果：Set5平均：重建PSNR=32.52dBVS双三次PSNR
2017/10/8 20:19:39
7.89MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB