搜索资源列表
RLheadCTreconstruction
- 根据经典的RL标准头模型实现了卷积投影和反投影，采用SL卷积核函数-According to the classic standard RL model achieved the first projection and convolution back projection, using SL Convolution Kernel
Kernel_for_Discrete_LTI_Inverse_Problems
- 3D Reconstruction related-Generates the kernel of linear convolution used to model discrete LTI inverse problems
GdalBrowser
- GDAL支持的Morton 编码金字塔无缝漫游工具，从2007年开始，不断更新到2011年，偶的小业余研究。底层基于GDAL, 支持很多冷门格式。使用Morton金字塔重构二维数据，加上内存映射文件的帮助，浏览GB级影像没有问题。内嵌带接缝处理的透明分块条带处理接口，无需了解金字塔，也能透明对GB级影像进行各种处理。内嵌直方图均衡和模板卷积的例子，演示如何透明的开发处理算法。附带重要的功能是“尺度不变特征SIFT”的特征提取，本来是上学时的论文，经过这些年零敲碎打的改造，现在能进行全自动、半自动
bmpdis-ct-total
- VC++编写的CT的S-L头模型生成、投影、滤波反投影、卷积反投影和反投影滤波程序-Written in VC++ CT, SL head model generation, projection, filtered back projection, convolution back projection and filtered back-projection procedure
fsb
- 用于单道反射波记录道的形成！用的褶积模型-For single word formation of reflection wave record way! The seismic convolution model with
convolution-model
- 褶积运算，褶积模型的制作，c语言编程，地震数据处理-Convolution, convolution model making, c language programming
MYCNN
- 基于CNN的手写文本识别，卷积神经网络模型，并受到深度学习中预训练方式的启发，提出一种类别累加的训练方式，采用这种类别累加方式进行卷积神经网络模型的训练-Handwritten text recognition based on CNN neural network model, convolution, and inspired by the pre training in depth study, put forward a kind of category cumulative train
SRCNN
- 通过卷积神经网络CNN实现超分辨率重建，利用训练模型实现参数和权重偏移的训练，达到输入低分辨率图像，输出高分辨率图像，测试例程附录。-Convolution neural network CNN to achieve super-resolution reconstruction using a training model parameters and to achieve weight shift training to achieve a low-resolution image inpu
DeepFace
- DeepFace一文依旧是沿着“检测-对齐-人脸表示-分类”这一人脸识别技术路线来的，其贡献在于对人脸对齐和人脸表示环节的改进。1）在人脸对齐环节，引入了3D人脸模型对有姿态的人脸就行分片的仿射对齐。2）在人脸表示环节，利用一个9层的深度卷积在包含4000人、400万张人脸的数据集上学习人脸表示，这个9层的DCNN网络有超过1.2亿个参数。本文的模型在LFW数据集上取得了97.25 的平均精度（逼近了人类97.5 的极限），同时在Youtube数据集上取得了当前最好的结果，比之前的NO.1整整高
Saliency-Detection
- 提出一种新的显着性检测方法，通过将区域级显着性估计和像素级显着性预测与CNN（表示为CRPSD）相结合。对于像素级显着性预测，通过修改VGGNet体系结构来执行完全卷积神经网络（称为像素级CNN）以执行多尺度特征学习，基于该学习进行图像到图像预测以完成像素级显着性检测。对于区域级显着性估计，首先设计基于自适应超像素的区域生成技术以将图像分割成区域，基于该区域通过使用CNN模型（称为区域级CNN）来估计区域级显着性。通过使用另一CNN（称为融合CNN）融合像素级和区域级显着性以形成nal显着图，并
TensorflowofGCN-
- 使用Tensoflow实现图卷积神经网络模型-Use Tensoflow Implementation Figure convolution neural network model
igkqv
- Normalized data model, modal vibration, Convolution operation is intended to signal and image rendering, Using wavelet denoising thought.