翻译文献tvregv2:VariationalImagingMethodsforDenoising,Deconvolution,Inpainting,andSegmentationtvregv2：用于去噪、反卷积、修复和分割的变分成像方式
2019/11/20 11:57:24
536KB
1
这里面包含整个基于神经网络深度学习，实现人脸识别项目，包括原始数据，训练数据训练模型测试数据等，包含演示同步ppt文件，使用的开发工具是pycharm，基于python3实现，该案例可做为本科毕设的入门参考，ppt内容包含整个讲解过程，从人脸识别到cnn，卷积，从欧式距离到人脸表情变化的计算详情以及整个卷积的引见，可以做为入门以及会议上引见使用的文档。
参考文件基于CNN卷积神经网络实现人脸识别-人脸表情识别-同步ppt引见及基于python3实现识别源代码。
参考文件基于CNN卷积神经网络实现人脸识别-人脸表情识别-同步ppt引见及基于python3实现识别源代码。
2020/9/21 18:49:32
64.04MB
1
卷积神经网络Lenet5深度学习，机器学习，训练数据集MNIST，测试集错误率可以到1.06%，C++完成VC完成C++源代码VC源代码
2018/3/12 21:46:21
11.14MB
1
卷积神经网络的原理及代码完成与典型神经网络LeNet-5、AlexNet、VGGNet、ResNets的原理
2016/9/20 9:10:33
4.45MB
1
人工智能实验练习，包括线性回归，逻辑回归，深度神经网络，循环神经网络，卷积神经网络。
含数据和python代码，代码文件请用Jupyterlab翻开。
含数据和python代码，代码文件请用Jupyterlab翻开。
2018/2/4 18:09:15
13.47MB
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
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