您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. snow分类器 稀疏表示分类器

  2. 用于稀疏表示的线性分类器~可对稀疏表示的字典进行分类训练以及测试~
  3. 所属分类:其它

  1. 基于稀疏表示的人脸识别方法实现

  2. 但是人脸图像易受到光照、姿态、遮挡和表情等多种因素的影响 ,识别效果也易受图像数据库大小的干扰,计算机智能识别课题的研究仍然具有较高的挑战性。目前一些学者将稀疏表示用于人脸识别,得到了国内外学者的广泛关注,其基本思想是将待分类图像表示为以训练图像本身作为基原子的字典的稀疏线性组合。在新研究的繁多方法中,基于稀疏表示的人脸识别技术拥有独特的高效性,且稀疏系数具有很好的稀疏性和可扩展性。基于稀疏表示的人脸识别拥有高识别率与强鲁棒性,可以实现高识别率、高鲁棒性、低复杂性的人脸识别方法。
  3. 所属分类:讲义

    • 发布日期:2015-05-30
    • 文件大小:18mb
    • 提供者:sinat_28602923
  1. 解析K-SVD工具包

  2. 解析KSVD,工具包,用来字典学习,可以用于图像去噪方面
  3. 所属分类:专业指导

    • 发布日期:2016-01-21
    • 文件大小:611kb
    • 提供者:hangzhixing
  1. Python 2.5

  2. “Python”这个英文单词的发音似“派森”,因此中文可以称之为派森。Python是一个有10年历史的Windows编程语言。Python的创始人为Guido van Rossum。 Python是一种即译式的,互动的,面向对象的编程语言,它包含了模组式的操作,异常处理,动态资料形态,十分高层次的动态资料结构,以及类别的使用。Python揉合了简单的语法和强大的功能。它的语法表达优美易读。它具有很多优秀的脚本语言的特点:解释的,面向对象的,内建的高级数据结构,支持模块和包,支持多种平台,可扩展
  3. 所属分类:Python

    • 发布日期:2007-05-28
    • 文件大小:2mb
    • 提供者:matherand123
  1. AdS / CFT对应深博尔兹曼机器

  2. 我们为AdS / CFT对应关系提供了一个深层的Boltzmann机器(DBM)。 在大时空是神经网络的理念下,我们给出了两者之间的字典,并获得了约束DBM作为弯曲几何中离散的大标量场理论。 作为训练数据的概率分布是边界量子场论的生成函数,它训练作为整体几何度量的神经网络权重。 最深层实现黑洞视野,权重采用的正则化是爱因斯坦动作。 全息术中Nc的较大限制将DBM简化为折叠的前馈体系结构。 我们还将神经网络全息归一化实现为自动编码器。 用于AdS / CFT的DBM可以用作研究全息时空出现机制的平
  3. 所属分类:其它

    • 发布日期:2020-04-19
    • 文件大小:683kb
    • 提供者:weixin_38686187
  1. 菊安酱的机器学习第1期-k-近邻算法(直播).pdf

  2. k-近邻算法的课件。来自于菊安酱的机器学习实战12期的免费教程。内涵python源码。菊安酱的直播间: 我们已经知道k近邻算法的工作原理,根据特征比较,然后提取样本集中特征最相似数据(最近邻)的分类标签。 那么如何进行比较呢?比如表1中新出的电影,我们该如何判断他所属的电影类别呢?如图2所示。 电影分类 120 爱情片(1,101) 爱情片(12,97) 80 爱情片(5,89) 水弊 60 ?(24,67) 动作片(112,9 20 动作片(1158) 动作片(108,5) 0 20 60 8
  3. 所属分类:讲义

    • 发布日期:2019-07-27
    • 文件大小:847kb
    • 提供者:qiu1440528444
  1. 用于面部识别的特定于类别的词典学习

  2. 最近,基于稀疏表示的分类(SRC)已成功用于视觉识别,并显示了令人印象深刻的性能。 给定一个测试样本,SRC将针对所有训练样本计算其稀疏线性表示,并为每类训练样本计算残留误差。 但是,SRC认为每个班级中的训练样本对该班级中的字典的贡献均等,即字典由该班级中的训练样本组成。 这可能会导致较高的残留误差和不稳定性。 本文提出了一种基于类别的词典学习算法。 首先,通过引入字典学习的对偶形式,表示了基向量与原始图像特征之间的显式关系,这增强了可解释性。 因此,可以将SRC视为所提出算法的特殊情况。 第
  3. 所属分类:其它

    • 发布日期:2021-03-23
    • 文件大小:1018kb
    • 提供者:weixin_38592611
  1. pytorch-ssd:源程序来自于:https-源码

  2. 本代码在原作者的基础上增加了部分功能,主要用于个人学习ssd流程:补充部分:(1)原程序无法在断网的情况下进行初始化网络,原因在于加载vgg16预训练模型的时候从torchvision.models.vgg16正在加载,需要联网,本程序将model.py中的这三行代码keys())更改为:vgg16_model_path ='pretrained / vgg16-397923af.pth'pretrained_state_dict =火炬负载(vgg16_model_path)pretraine
  3. 所属分类:其它

    • 发布日期:2021-03-23
    • 文件大小:20mb
    • 提供者:weixin_42143161
  1. DFDNet:通过深度多尺度分量字典进行盲脸修复(ECCV 2020)-源码

  2. 注意:此分支包含所有还原结果,包括512×512面部区域和通过将增强的面部放入原始输入的最终结果。只能生成面部结果的旧版本放在 我们提出的方法概述。它主要包括两个部分:(a)从大量具有不同姿势和表情的高质量图像离线生成多尺度分量字典。采用K均值可以在不同的特征尺度上为每个分量(即左/右眼,鼻子和嘴巴)生成K个聚类。 (b)恢复过程和字典特征转移(DFT)块,用于逐步提供参考详细信息。在此,DFT-i块采用Scale-i组件字典作为同一功能级别的参考。 (a)离线生成多尺度组件字典。 (b)我
  3. 所属分类:其它

    • 发布日期:2021-03-18
    • 文件大小:18mb
    • 提供者:weixin_42138408
  1. 基于OMP的小波系数遥感图像降噪。

  2. 近年来,提出了许多减少遥感图像噪声的方法。本文提出了一种基于OMP算法的改进的WCOMP方法,用于遥感图像的去噪。 我们将小波变换的系数引入贪婪策略,将OMP算法与SVD分解相结合,将这些系数与离散余弦变换(DCT)的冗余字典进行训练,以实现图像的稀疏表示,然后重构该图像。是提高图像降噪的最终性能。 实验结果表明,WCOMP方法比小波,Contourlet和K-SVD等传统图像去噪方法具有更好的效果。 与传统的降噪方法相比,我们提出的方法可以更有效地滤除噪声并保留原始图像的有用信息。
  3. 所属分类:其它

  1. 使用特定于类的字典学习进行稀疏表示和协作表示的人脸识别

  2. 近来,基于稀疏表示的分类(SRC)和基于协作表示的分类(CRC)已成功用于视觉识别,并表现出令人印象深刻的性能。 给定一个测试样本,SRC或CRC就训练样本制定其线性表示,然后为每个样本计算残留误差。 班级。 SRC或CRC假定来自每个类别的训练样本对相应类别中的字典做出同等贡献,即,字典由该类别中的训练样本组成。 但是,这导致较高的残留误差和不稳定性。 为了克服此限制,我们提出了特定于类的字典学习算法。 具体而言,通过引入字典学习的对偶形式,表示了基向量与原始图像特征之间的明确关系,这也增强了
  3. 所属分类:其它

  1. 基于非负稀疏表示的遮挡人耳识别

  2. 遮挡是人耳识别中一个难以回避的问题,当人耳被遮挡时绝大多数人耳识别算法性能会大大降低.借鉴人类视觉认知特性,将非负稀疏表示用于遮挡情况下的人耳识别,提出一种更为鲁棒的遮挡人耳识别方法.首先对训练人耳图像和待识别人耳图像进行下采样降维,然后将待识别人耳图像表示为由所有训练人耳图像构成的字典的非负稀疏线性组合,最后通过求解非负稀疏表示模型得到稀疏表示系数,根据测试人耳图像的重建误差进行识别.在USTB人耳图像库上的实验结果表明,当人耳图像被遮挡时,该方法具有更好的鲁棒性和更高的识别率.
  3. 所属分类:其它

    • 发布日期:2021-03-09
    • 文件大小:539kb
    • 提供者:weixin_38499503
  1. story-generation-eval:论文代码:“经过大量预训练的语言模型可以使讲故事的人变得更好吗?”-源码

  2. 这是CoNLL 2019论文的代码, 。 此回购包含用于下载生成的文本数据,计算其上的自动度量并在纸上绘制图的代码。 下载资料 下载并解压缩 ( )以创建一个名为data的目录: cd story-generation-eval wget https://nlp.stanford.edu/data/gpt_analysis/data.zip unzip data.zip 关于模型生成的故事(未注释) 在data/stories_unannotated ,每个json文件都包含一个字典,其
  3. 所属分类:其它

    • 发布日期:2021-03-09
    • 文件大小:543kb
    • 提供者:weixin_42151373
  1. 一种基于复合稀疏表示的阿尔茨海默病的诊断方法

  2. 利用磁共振影像数据实现对阿尔茨海默病的准确诊断。将常规稀疏表示中的单层字典分解为两层,分别使用各类别的典型样本和类内差异作为两层字典的元素; 设计一种两层字典协调工作的复合稀疏表示形式,以期利用训练样本更为精确地表示待识别样本,并构建分类器用于阿尔茨海默病的分类识别。在ADNI 数据库的对比实验表明,该方法的识别性能优于支持向量机和同类的稀疏表示分类器。
  3. 所属分类:其它

    • 发布日期:2021-03-06
    • 文件大小:293kb
    • 提供者:weixin_38570519
  1. 基于训练样本优化的字典稀疏MR重建算法

  2. 磁共振(MR)成像被广泛用于疾病诊断。 硬件成像受到分辨率的限制,并且高的辐射强度和磁性时间会伤害人体。 基于软件的图像超分辨率技术有望解决该问题,特别是通过基于稀疏重构的图像超分辨率具有良好的优异性能。 字典生成是影响超分辨率算法性能的关键问题,因为在字典生成过程中没有考虑潜在的区分性信息。 针对此问题,我们提出了针对MR稀疏超分辨率重建的训练样本优化字典学习算法。 提出了一种基于灰度一致性和梯度联合分集的字典表示方法,以选择最佳的图像进行字典训练。 在基于稀疏重建的MR成像框架下评估字典训练
  3. 所属分类:其它

  1. 基于稀疏编码和岭回归的文本图像复原算法

  2. 为解决现有稀疏编码方法在文本图像复原中存在的编码码元表述空间有限和计算时间长的问题,提出了一种基于岭回归的稀疏编码文本图像复原方法。首先,该方法在训练阶段使用样本图像块训练出用于稀疏表达的字典,并根据样本图像块和编码码元之间的欧氏距离对样本图像块进行聚类;其次,在局部流形空间构建低质量文本图像块和清晰文本图像块之间的岭回归,实现对编码码元表述空间的局部多线性扩展和快速计算;最后,在测试阶段搜索和低质量文本图像最相近的编码码元,计算出近似的清晰文本图像块,从而避免计算耗时的低质量文本图像块的稀疏编
  3. 所属分类:其它

    • 发布日期:2021-02-26
    • 文件大小:527kb
    • 提供者:weixin_38630612
  1. finetune_alexnet_with_tensorflow:用于在TensorFlow> = 1.2rc0中微调AlexNet的代码-源码

  2. 使用Tensorflow微调AlexNet 更新15.06.2016 我修改了整个代码库,以使用TensorFlow> =版本1.2rc0附带的新输入管道。 您可以在新的找到有关新输入管道的说明。您可以像以前一样使用此代码在自己的数据集上微调AlexNet,仅不再需要依赖OpenCV。 可以在找到旧代码。 该存储库包含在任意数据集上所需的所有代码。 除了代码本身的注释外,我还写了一篇文章,您可以在找到它的进一步解释。 您需要的只是预训练的权重,您可以在找到,也可以使用从caffe库
  3. 所属分类:其它

  1. pytorch-kaggle-starter:用于Kaggle比赛的Pytorch入门套件-源码

  2. 概要 Pytorch Kaggle入门程序是用于管理Kaggle比赛中的实验的框架。 通过提供一组用于模型训练,数据加载,调整学习率,进行预测,汇总模型和格式化提交内容的辅助功能,它减少了第一次提交的时间。 内部是示例Jupyter笔记本,介绍了如何在热门比赛中获得高分: -8% -前15% 这些笔记本概述了基本的单一模型提交内容。 可以通过集成模型和使用测试时间扩充来显着提高分数。 产品特点 实验-从jupyter笔记本或python脚本中的python字典启动实验。 附加可视化工具
  3. 所属分类:其它

  1. 特定于内核类的集中式字典学习用于人脸识别

  2. 作为一种基本而有效的方法,基于稀疏表示的分类(SRC)已在计算机视觉领域中应用了很多年。 但是,SRC假定每个类别中的训练样本对字典的贡献均相等,这将导致较高的残差和不稳定性。 为了解决该问题并进一步提高分类性能,提出了基于类的集中式字典学习算法。 CSCDL考虑了同一类中稀疏代码的集中程度,并显示出良好的识别性能,但是CSCDL仅适用于线性结构这一事实限制了其应用。 为了解决这个限制,在本文中,我们将CSCDL算法扩展到内核空间,并将非线性问题转化为线性问题。 内核函数和一些非线性映射用于将原
  3. 所属分类:其它

  1. 用于面部识别的特定于类别的词典学习

  2. 最近,基于稀疏表示的分类(SRC)已成功用于视觉识别,并显示了令人印象深刻的性能。给定一个测试样本,SRC将针对所有训练样本计算其稀疏线性表示,并为每类训练样本计算残留误差。但是,SRC认为每个班级中的训练样本对该班级中的字典的贡献均等,即字典由该班级中的训练样本组成。这可能会导致较高的残留误差和不稳定性。本文提出了一种基于类别的词典学习算法。首先,通过引入字典学习的对偶形式,表示了基向量与原始图像特征之间的明确关系,这增强了可解释性。因此,可以将SRC视为所提出算法的特殊情况。第二,然后应用逐
  3. 所属分类:其它

    • 发布日期:2021-03-21
    • 文件大小:128kb
    • 提供者:weixin_38544625
« 12 »