[其它] vue-20210304_artur-mingazhov-源码

说明：КурсVue.js 。 Использованиезадачника Инструкцияпоработенепосредственносзадачникомподробноописанав00 。 Работасрепозиторием Подготовка Передначаломработытребуетсяустановитьвсенеобходимыеnpmпакеты。 Онипонадобятсядлязапускаипроверкирешений。 npm ci С
<weixin_42103128> 上传 | 大小：219kb

[其它] SiameseNetwork(应用篇6)：孪生网络用于图像块匹配

说明：利用卷积神经网络在欧式空间下学习高效性能的描述子descr iptor。的方法在四个方面与众不同，1.我们提出了一种渐进的抽样策略，使网络能够在几次的时间内访问数十亿的训练样本。2.从局部匹配问题的基本概念派生而来，我们强调了描述符之间的相对距离。3.对中间特征图进行额外的监督。4.将描述符的紧凑性考虑在内。就是采用L2距离对特征描述子进行度量。收获到了非常好的结果（同期也有相关的工作）。引用的原文更能说明问题：TheproposedL2-NetisaCNNbasedmodelwithoutme
<weixin_38601311> 上传 | 大小：320kb

[其它] web_lab_2-源码

说明：web_lab_2
<weixin_42099176> 上传 | 大小：6mb

[其它] 基于网络的动力系统的复杂性分析

说明：在本文中，我们研究了基于网络的非线性动力学动态系统，其中有限数据速率的网络通信通道被插入到控制系统的闭环中。 我们分析非光滑动力系统的分叉和混沌行为。 我们首先证明几乎所有系统参数都没有周期性轨道。 该结果区分了这种非光滑动力系统来自其他许多表现出边界冲突分叉的人。 接下来我们展示从分析上看，混沌集与包含具有固定距离的所有固定点的线段。 最后，我们采用一个简单的模型来强调，共享一个公用网络信道和可用网络带宽的波动对这种动力系统的性能有重大影响。
<weixin_38692707> 上传 | 大小：881kb

[其它] 一种带混沌变异的粒子群优化算法

说明：为了克服粒子群算法在进化后期存在收敛速度慢、易陷入局部极小等问题,提出了一种混沌变异粒子群优化算法。该算法根据群体适应度变化率对种群中非优胜粒子进行变异操作,并对全局最优位置进行小范围混沌扰动,以增强算法跳出局部最优的能力。对几种复杂典型函数与标准粒子群算法进行了仿真测试,结果表明该算法明显改善了全局搜索能力和抗早熟收敛性能。
<weixin_38637665> 上传 | 大小：140kb

[其它] SiameseNetwork(应用篇2)：孪生网络用于图像块匹配

说明：匹配问题是是很多计算机视觉应用问题的基础。我考虑到图像会发生大规模的形貌尺度等变化，所以直接训练了一个CNN模型进行参数拟合。特别的，我研究了很多的神经网络框架，主要探索了那些网络结构更胜任图像匹配问题。同时，我也进行了大量的数据测试，结果证明，采用孪生网络进行图像匹配具有非常大的优势。图1.缩略图。我的目标在于学习一个通用的相似性测度函数，并应用于图像匹配中。为了编码这样一个函数，我大量探索了卷积神经网络结构。为了研究不同网络结构的速度与时间的考量，我研究了当下最普遍的双通道卷积网络、孪生卷积
<weixin_38689736> 上传 | 大小：422kb

[其它] 内部正性保留模型约简

说明：本文研究了在Hankel规范，H∞规范和H2规范性能下的连续时间稳定正线性系统的模型约简。 降阶系统保留了原始系统的稳定性和正性。 这是通过开发模型约简性能的新的必要条件和充分条件来实现的，其中将Lyapunov矩阵与系统矩阵解耦。 这样，可以自然的方式对降阶模型施加积极约束。 由于模型的简化性能以具有相等约束的线性矩阵不等式表示，因此可以使用圆锥互补线性化迭代算法来获得所需的降阶正模型。 数值例子说明了所给方法的有效性。 ？ 2010泰勒和弗朗西斯。
<weixin_38567813> 上传 | 大小：283kb

[其它] SiameseNetwork(应用篇4)：块匹配中一致性特征和距离测度学习

说明：这里有一点还是值得学习的就是将各个通道的特征图全部给打印出来了：在特征网络的不同层上，对输入补丁的激活进行可视化。输入64×64补丁显示在顶部。每一层图像的激活都是由K×W构成的。H、W和K是三维激活阵列的高度、宽度和深度。红边分隔这些瓷砖。图块中的伪颜色表示响应强度。边界伪影可能会发生，但我们保留了填充方案，它会重新训练原始边界上的一半信息
<weixin_38666823> 上传 | 大小：313kb

[其它] 利用图像局部自相似性的超分辨率重构算法

说明：图像超分辨率重构是指由低分辨率图像来获得高分辨率图像的过程。为了能够有效地重构出高分辨率图像,提出一种基于图像局部自相似性的超分辨率快速重构算法。该算法首先利用四叉树分割的知识对低分辨率图像进行自适应分块;然后利用低分辨率图像和高分辨率图像在局部区域内的自相似性,由最小二乘方法在各个局部区域自适应的选择插值所需的参数,从而在各个局部区域内进行插值;最后运用小波域的投影算子对插值得到的高分辨率图像进行全局优化,得到最终的高分辨率图像。实验结果表明,由该算法重构的高分辨图像有很好的视觉效果和峰值信噪
<weixin_38691453> 上传 | 大小：782kb

[其它] 使用Python进行边缘检测

说明：我们首先应该了解的问题是：“为什么要费尽心思去做边缘检测？”除了它的效果很酷外，为什么边缘检测还是一种实用的技术？为了更好地解答这个问题，请仔细思考并对比下面的风车图片和它的“仅含边缘的图”：可以看到，左边的原始图像有着各种各样的色彩、阴影，而右边的“仅含边缘的图”是黑白的。如果有人问，哪一张图片需要更多的存储空间，你肯定会告诉他原始图像会占用更多空间。这就是边缘检测的意义：通过对图片进行边缘检测，丢弃大多数的细节，从而得到“更轻量化”的图片。因此，在无须保存图像的所有复杂细节，而“只关心图像的
<weixin_38702339> 上传 | 大小：1mb

[其它] docs：Hypertherm产品的文档和图像-源码

说明：docs Hypertherm产品的文档和图像
<weixin_42099151> 上传 | 大小：1mb

[其它] 基于草图查询的语义对象图像检索

说明：针对图像低层特征和高层语义之间存在的语义鸿沟问题,提出一种结合草图查询和相关反馈的语义对象图像检索系统.该系统首先根据用户输入的手绘草图,利用形状(轮廓、区域和骨架)特征从对象库中初步检索出语义对象并保存其区域组合;然后根据用户选择的反馈对象并结合查询草图提取用户检索对象的语义特征(形状、区域及拓扑特征),最后采用寻找最优区域配对的方法在系统特征库中进行检索.实验结果表明,本文方法不但对用户需求的语义对象有较好的检索效果,而且还能较准确地在结果图像中框选出用户感兴趣的语义对象.
<weixin_38661650> 上传 | 大小：925kb