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
决策树是一个通过训练的数据来搭建起的树结构模型，根节点中存储着所有数据集和特征集，当前节点的每个分支是该节点在相应的特征值上的表现，而叶子节点存放的结果则是决策结果。
通过这个模型，我们可以高效的对于未知的数据进行归纳分类。
每次使用决策树时，是将测试样本从根节点开始，选择特征分支一直向下直至到达叶子节点，然后得到叶子节点的决策结果。
通过这个模型，我们可以高效的对于未知的数据进行归纳分类。
每次使用决策树时，是将测试样本从根节点开始，选择特征分支一直向下直至到达叶子节点，然后得到叶子节点的决策结果。
2025/7/4 16:46:40
10KB
ROS入门必看书籍，随着科学技术的发展，未来机器人会逐渐成为人们日常生活的得力助手。
语音作为一种方便、快捷、高效的途径，无疑将成为人机交互的一种重要方式。
由于ROS（RobotOperatingSystem）简单易用和良好的开发架构，正在被越来越多的公司和机构用于机器人的研发。
xiazaiba
语音作为一种方便、快捷、高效的途径，无疑将成为人机交互的一种重要方式。
由于ROS（RobotOperatingSystem）简单易用和良好的开发架构，正在被越来越多的公司和机构用于机器人的研发。
xiazaiba
2025/7/3 12:35:14
53.35MB