基于非局部扩散的图像去噪源代码，该算法利用空间非局部梯度构造了图像的非局部结构张量,通过对非局部结构张量的特征分解得到图像的一个特征空间,依据特征空间的特性设计了非局部扩散张量,建立了基于非局部扩散张量的各向异性扩散模型。
该模型和局部各向异性扩散模型的本质不同在于,在扩散的过程中充分利用了图像的全局信息。
优点是在去除噪声的同时,能更好地保护图像的边缘,尤其是纹理等图像的重要细节特征。
该模型和局部各向异性扩散模型的本质不同在于,在扩散的过程中充分利用了图像的全局信息。
优点是在去除噪声的同时,能更好地保护图像的边缘,尤其是纹理等图像的重要细节特征。
2023/7/20 5:43:19
5KB
1
本书主要介绍矩阵的分析及组合理论，既包括常用的概念、理论及其证明，又包含张量积、复合矩阵、矩阵扰动和非负矩阵等新内容
2023/5/15 18:24:17
30.26MB
1
英文版。
作者：GeorgeBackus.底子但详尽的络续介质力学课本.对于张量、络续介质的底籽实际作了详尽地推导以及介绍。
作者：GeorgeBackus.底子但详尽的络续介质力学课本.对于张量、络续介质的底籽实际作了详尽地推导以及介绍。
2023/5/11 15:11:34
1.82MB
1
本文于收集,文章教学了使用TensorFlow若何来构建神经收集及图像识别与卷积神经收集的详尽描摹。
tensor:张量，是tensorflow的数据模子。
在tensorflow中能够约莫知道为多位数组，展现盘算节点，是tensorflow管理数据的方式。
然则在tensorflow中，张量的实现并非直接付与数组的方式，它仅仅是对于运算下场的援用。
张量的三个首要属性：name、shap
tensor:张量，是tensorflow的数据模子。
在tensorflow中能够约莫知道为多位数组，展现盘算节点，是tensorflow管理数据的方式。
然则在tensorflow中，张量的实现并非直接付与数组的方式，它仅仅是对于运算下场的援用。
张量的三个首要属性：name、shap
2023/4/12 18:01:49
977KB
1
TensorFlow是google基于DistBelief举行研发的第二代家养智能学习体系，其命名来源于自身的运行原理。
Tensor（张量）象征着N维数组，Flow（流）象征着基于数据流图的盘算，TensorFlow为张量从流图的一端行为到另一端盘算进程。
TensorFlow是将繁杂的数据结构传输至家养智能神经网中举行阐发以及处置进程的体系。
此为深度学习框架tensorflowcpu版本
Tensor（张量）象征着N维数组，Flow（流）象征着基于数据流图的盘算，TensorFlow为张量从流图的一端行为到另一端盘算进程。
TensorFlow是将繁杂的数据结构传输至家养智能神经网中举行阐发以及处置进程的体系。
此为深度学习框架tensorflowcpu版本
2023/4/8 22:42:40
25.92MB
1
计算机视觉的基本问题是：根据若干幅世界景物的图像求得对真是世界景物结构的理解。
本书处理这个基本问题所采用的技术源于射影几何和摄影测量学。
其与众不同的特色是采用未标定的方法——不需要知道或不必计算摄像机内部参数就能得到问题的答案。
本书以一个统一的框架，对近期关于景物重构的理论和实现两方面的主要发展做了详细的介绍。
本书涵盖了摄像机投影矩阵、基本矩阵和三焦点张量的集合原理和它们的代数表达。
在讨论这些有关的理论和计算方法时都配有实际的例子，如它们在由多幅图像进行景物重构中的应用。
作者提供了综合性的背景材料，读者只要熟悉线性代数和基本的数值方法就能够理解书中给出的射影几何和估计算法，并能直接依据本书来实现有关算法。
本书处理这个基本问题所采用的技术源于射影几何和摄影测量学。
其与众不同的特色是采用未标定的方法——不需要知道或不必计算摄像机内部参数就能得到问题的答案。
本书以一个统一的框架，对近期关于景物重构的理论和实现两方面的主要发展做了详细的介绍。
本书涵盖了摄像机投影矩阵、基本矩阵和三焦点张量的集合原理和它们的代数表达。
在讨论这些有关的理论和计算方法时都配有实际的例子，如它们在由多幅图像进行景物重构中的应用。
作者提供了综合性的背景材料，读者只要熟悉线性代数和基本的数值方法就能够理解书中给出的射影几何和估计算法，并能直接依据本书来实现有关算法。
2023/2/11 14:02:07
108.35MB
1
Road_extraction使用多GPU模型张量流的AttentionUnet和DeepUnet实现道路提取DeepU-Net的多种变体已经过额外的层和额外的卷积测试。
尽管如此，优于所有人的模型是AttentionU-Net：学习在哪里寻找胰腺。
我添加了一个额外的调整来提高功能，将卷积块切换为残差块TensorFlow分割TF细分模型，U-Net，AttentionUnet，DeepU-Net（U-Net的所有变体）使用神经网络（NN）进行图像分割，旨在从遥感影像中提取道路网络，它可用于其他应用中，标记图像中的每个像素（语义分割）可以在以下论文中找到详细信息：注意U-Net附加模块要求Python3.6CUDA10.0TensorFlow1.9Keras2.0模组utils.py和helper.py函数用于预处理数据并保存。
尽管如此，优于所有人的模型是AttentionU-Net：学习在哪里寻找胰腺。
我添加了一个额外的调整来提高功能，将卷积块切换为残差块TensorFlow分割TF细分模型，U-Net，AttentionUnet，DeepU-Net（U-Net的所有变体）使用神经网络（NN）进行图像分割，旨在从遥感影像中提取道路网络，它可用于其他应用中，标记图像中的每个像素（语义分割）可以在以下论文中找到详细信息：注意U-Net附加模块要求Python3.6CUDA10.0TensorFlow1.9Keras2.0模组utils.py和helper.py函数用于预处理数据并保存。
2023/1/22 22:31:45
16.51MB
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