深层神经网络拥有更强特征表达能力的同时,也带来了优化难、训练成本高及梯度弥散等问题;参数数量的激增则导致模型过于臃肿,不利于其在挪动端及工业控制设备等算力弱、存储小的平台上的部署.针对这些问题,构建了一种融合空洞卷积和多尺度稀疏结构的轻量神经网络对图像进行特征提取,实现对带有彩色图形噪声且字符扭曲粘连严重的验证码图像的端到端识别.将包含100万张验证码图像的数据集按98:1:1的比例划分为训练集、验证集和测试集,逐批参与训练.实验结果表明,该网络在大大减少参数数量的同时,具有测试集上98.9%的识别成功率.
2017/11/27 15:43:07
1.08MB
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
针对遥感图像中的目标检测问题，采用基于卷积神经网络的目标检测框架对目标进行提取，针对该网络制作了包含三类遥感图像中常见目标的目标检测数据集。
为了处理遥感图像目标旋转角度较大的问题，将空间变换网络融入超快区域卷积神经网络，提出了一种具有旋转不变性自学习能力的目标检测模型。
通过与传统的目标检测方法进行对比分析，探究了不同方法对遥感图像目标检测的实际效果。
相对于传统的目标检测方法，融合了空间变换网络的卷积神经网络所提取的特征具有更好的旋转不变特性，从而能够达到更高的检测精度。
为了处理遥感图像目标旋转角度较大的问题，将空间变换网络融入超快区域卷积神经网络，提出了一种具有旋转不变性自学习能力的目标检测模型。
通过与传统的目标检测方法进行对比分析，探究了不同方法对遥感图像目标检测的实际效果。
相对于传统的目标检测方法，融合了空间变换网络的卷积神经网络所提取的特征具有更好的旋转不变特性，从而能够达到更高的检测精度。
2018/7/13 22:14:05
1.16MB
1
对KSC和PU数据集进行1D光谱特征学习，2D空间特征学习和3D谱空结合特征学习，所用环境为tensorflow-GPU-1.5.0keras2.1.6资源包含KSC和PU两个高光谱数据集
2016/3/20 12:27:20
87.4MB
1
激光雷达方程一般方式 激光雷达接收的信号功率等于:发射激光功率分布与目标后向散射系数的卷积,再考虑光学天线、大气传输衰减等因素。
激光雷达方程一般方式可用下式描述：
激光雷达方程一般方式可用下式描述：
2015/4/7 14:38:41
2.66MB
1
1、序列的卷积和运算及其过程的可视化呈现；
1.1实验目的和要求 1.2实验原理 1.3实验仪器设备 1.4实验过程（内容、步骤、原始数据） 1.5实验结果（数据处理、结果分析、问题讨论及总结） 2、图像/语音信号的频谱分析；
2.1实验目的和要求 2.2实验原理 2.3实验仪器设备 2.4实验过程（内容、步骤、原始数据）2.5实验结果（数据处理、结果分析、问题讨论及总结） 3、图像/语音信号通过线性系统的呼应；
3.1实验目的和要求 3.2实验原理 3.3实验仪器设备 3.4实验过程（内容、步骤、原始数据） 3.5实验结果（数据处理、结果分析、问题讨论及总结）4、附录；
附录1实验一代码 附录2实验二代码 附录3实验三代码
1.1实验目的和要求 1.2实验原理 1.3实验仪器设备 1.4实验过程（内容、步骤、原始数据） 1.5实验结果（数据处理、结果分析、问题讨论及总结） 2、图像/语音信号的频谱分析；
2.1实验目的和要求 2.2实验原理 2.3实验仪器设备 2.4实验过程（内容、步骤、原始数据）2.5实验结果（数据处理、结果分析、问题讨论及总结） 3、图像/语音信号通过线性系统的呼应；
3.1实验目的和要求 3.2实验原理 3.3实验仪器设备 3.4实验过程（内容、步骤、原始数据） 3.5实验结果（数据处理、结果分析、问题讨论及总结）4、附录；
附录1实验一代码 附录2实验二代码 附录3实验三代码
2017/3/8 6:21:04
1.2MB
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