数据包括：用户编码、产品编码、性别、年龄、职业、城市类别、在当前城市停留的年份、婚姻情况、商品所属分类（3类）、消费金额
2025/7/8 19:55:19
5.07MB
该文件是从https://drive.google.com/file/d/0B2JbaJSrWLpza0FtQlc3ejhMTTA/view?usp=sharing下载的，亲测可用
2025/7/8 6:47:55
172.01MB
KITTI数据集转化为VOC数据集，用于yolo训练，目标检测，相关介绍在博客中http://blog.csdn.net/baolinq
2025/7/8 3:41:19
5KB
hadoop2.7.x都可以使用，在windows环境下运行hadoop、hbase、spark需要winutils.exe，否则会报错Couldnotlocateexecutablenull\bin\winutils.exeintheHadoopbinaries。
2025/7/7 16:25:48
1.09MB
这里主要讲深度学习用在超分辨率重建上的开山之作SRCNN。
超分辨率技术（Super-Resolution）是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。
SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。
基于深度学习的SR，主要是基于单张低分辨率的重建方法，即SingleImageSuper-Resolution(SISR)。
SR方法主要可以分为四种模型：基于边缘，基于图像统计，基于样本（基于补丁）的方法。
本文的SRCNN网络结构非常简单，仅仅只有三层网络就是实现了SR。
网络结构如下图所示：
超分辨率技术（Super-Resolution）是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。
SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。
基于深度学习的SR，主要是基于单张低分辨率的重建方法，即SingleImageSuper-Resolution(SISR)。
SR方法主要可以分为四种模型：基于边缘，基于图像统计，基于样本（基于补丁）的方法。
本文的SRCNN网络结构非常简单，仅仅只有三层网络就是实现了SR。
网络结构如下图所示：
2025/7/5 4:41:07
84.93MB