注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 膨胀与腐蚀函数相关例程

  2. 膨胀和腐蚀这两种操作是形态学处理的基础,许多形态学算法都是以这两种运算为基础的. ① 膨胀 是以得到B的相对与它自身原点的映像并且由z对映像进行移位为基础的.A被B膨胀是所有位移z的集合,这样,和A至少有一个元素是重叠的.我们可以把上式改写为： 结构元素B可以看作一个卷积模板,区别在于膨胀是以集合运算为基础的,卷积是以算术运算为基础的,但两者的处理过程是相似的. ⑴ 用结构元素B,扫描图像A的每一个像素 ⑵ 用结构元素与其覆盖的二值图像做“与”操作 ⑶ 如果都为0,结果图像的该像素为0.否则为

  3. 所属分类：Python

    • 发布日期：2018-07-19
    • 文件大小：19kb
    • 提供者：fsjdgfcuvb

  1. Pytorch中膨胀卷积的用法详解

  2. 今天小编就为大家分享一篇Pytorch中膨胀卷积的用法详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

  3. 所属分类：其它

    • 发布日期：2020-09-18
    • 文件大小：156kb
    • 提供者：weixin_38645133

  1. 基于时域卷积网络精细化光伏发电功率预测_刘文杰.pdf

  2. 针对传统光伏功率预测算法模型没有与时间序列结合而引发精度不高的问题，提出了一种基于时域卷积 网络精细化的光伏发电功率预测方法。该预测模型利用卷积神经网络并融合了因果卷积和膨胀卷积；在卷积特征 上，使用跨层连接；在损失函数上，增加了自适应影响因子；在特征工程上，将数值气象预报发布的多个预测数 据与时间特征结合进行多特征预测。根据新疆、华东两个光伏电场数据集的预测结果显示，与支持向量机算法和 未加入时域特性的神经网络算法对比，该算法在光伏功率预测精度上均有不同程度的提升，充分证明了有效性。

  3. 所属分类：讲义

    • 发布日期：2020-10-19
    • 文件大小：2mb
    • 提供者：SparkQiang

  1. opencv 图像腐蚀和图像膨胀的实现

  2. 语言：python+opencv 为什么使用图像腐蚀和图像膨胀 如图，使用图像腐蚀进行去噪，但是为压缩噪声。 对腐蚀过的图像，进行膨胀处理，可以去除噪声，并保持原样形状。 图像腐蚀 腐蚀主要针对的是二值图像，如只有0和1两个值， 两个输入对象：1原始二值图像，2卷积核 使用卷积核遍历原始二值图像，如果卷积核对应的元素值均为1，其值才为1，否则为0。如图，红色为卷积核。 腐蚀后的结果示意图见下面，效果是将边缘抹掉一部分。 使用方法：erode 中文翻译：侵蚀 处理结果=cv2.e

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：295kb
    • 提供者：weixin_38524472

  1. OpenCV学习之路（八）图像的形态学转换（腐蚀，膨胀，开、闭运算，梯度运算，礼帽，黑帽）

  2. 形态学操作是对图像形状进行的操作，一般情况下是对二值化图像进行的操作，两个基本的形态学操作是腐蚀和膨胀。 腐蚀 腐蚀操作很容易理解，与生活中的腐蚀意义一样，生活中的东西在腐烂的时候，总是会从边缘开始由外向内腐蚀。就是这个意思。 原理 使用卷积核遍历图像像素值，以卷积核的中心为中心，如果与卷积核对应的像素值全为1（即全是白色），像素值就保持不变。否则与卷积核对应的像素值就全变为0。也就体现出了边缘都被腐蚀掉的情形。 从图中很容易看出腐蚀的过程。前景区被腐蚀掉。 构造函数： cv2.erode(

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：589kb
    • 提供者：weixin_38725950

  1. Fast_Seg:此仓库在Pytorch的CityScapesCamvid DataSet上提供了快速的语义分割模型-源码

  2. :high_voltage: Fast_Seg :high_voltage: 此回购尝试在道路场景数据集（CityScape，Mapillary，Camvid）上实现最新的快速语义分割模型。 此回购协议的目的是什么？ 此存储库旨在进行实验并验证快速语义分段的想法，并且该存储库还提供了一些快速模型。 我们的ICnet实施实现了74.5％的mIoU ，比原始纸张高5％ 。 !!!!!此处： 精确段的另一个链接： 提供了一些最新的准确方法实现。 动物园模型（更新中） ICNet：ICnet，用于

  3. 所属分类：其它

  1. chinese-address-segment:中文地址分词（地址元素识别与抽取），通过序列标注进行NER-源码

  2. 项目背景： 地址元素识别可以撤出地址中不同的地址元素，同时也可以作为其他项目任务的基础。 使用： train_eval.py：训练与评估模型（可以选择IDCNN膨胀卷积网络或者BILSTM） address_segment_service：使用Tornado部署模型（可以进行多线程部署），从而通过http协议访问服务 示例： 在浏览器地址栏输入： {'string'：'江苏省南京市*区雄州街道雄州南路333号冠城大通南郡25幢1单元502室“，'entities'：[{'word'：'江苏省

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：28kb
    • 提供者：weixin_42107165

  1. Medical-Named-Entity-Rec-Based-on-Dilated-CNN:基于膨胀卷积神经网络（Divolution Convolutions）训练好的医疗命名实体识别工具-源码

  2. 基于扩张神经网络（Divolved Convolutions）训练好的医疗领域的命名实体识别工具，这里主要引用模型源码，以及云部署方式供大家交流学习。 环境 阿里云服务器：Ubuntu 16.04 Python版本：3.6 Tensorflow：1.5 第一步：来一个Flask实例，并跑起来： 使用的是Pycharm创建自带的Flask项目，xxx.py from flask import Flask app = Flask(__name__) app.route('/') def hel

  3. 所属分类：其它

  1. IC-Conv:pytorch正式实施“具有有效膨胀搜索的初始卷积”（CVPR 2021口头）-源码

  2. 转换 该存储库是的正式实现。 入门 下载ImageNet预训练的。 解压缩文件以获取以下目录树 |-- README.md |-- ckpt | |-- detection | |-- human_pose | |-- segmentation |-- config |-- model |-- pattern_zoo 使用方便 当前的实现与特定的下游任务相关。 用户可以通过以下简单方法快速使用IC-Conv。 from models import IC_ResNet import

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：23kb
    • 提供者：weixin_42099942

  1. MIOpen：AMD的机器智能库-源码

  2. 美邦 AMD的高性能机器学习原语库。 可以在找到源代码和二进制文件。 最新发布的文档可在在线阅读。 MIOpen支持两种编程模型- OpenCL的 先决条件 支持ROCm的平台，更多信息请 基本软件堆栈，其中包括 OpenCL-OpenCL库和头文件 时髦的 - HIP和HCC库和头文件 必填 支持各种功能，包括转置和膨胀卷积。 在HIP后端上，这是可选的。 用户可以使用cmake配置标志-DMIOPEN_USE_MIOPENGEMM=On启用此库。 可以从安装ROCm cmake模块

  3. 所属分类：其它

    • 发布日期：2021-03-04
    • 文件大小：36mb
    • 提供者：weixin_42137032

  1. deep_gcns：“ DeepGCN：Tensorflow Repo：GCN可以像CNN一样深吗？” ICCV2019口头https://www.deepgcns.org-源码

  2. DeepGCN：GCN可以像CNN一样深入吗？ 在这项工作中，我们提出了成功训练非常深的GCN的新方法。 我们从CNN借用概念，主要是残差/密集连接和膨胀卷积，然后将其适应GCN架构。 通过广泛的实验，我们证明了这些深层GCN框架的积极作用。 概述 我们进行了广泛的实验，以展示不同的组件（＃Layers，＃Filters，＃Nearest Neighbors，Dilation等）如何影响DeepGCNs 。 我们还提供了针对不同类型的深层GCN（MRGCN，EdgeConv，GraphSage

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：704kb
    • 提供者：weixin_42131633

  1. 扩张：使用Pytorch进行扩张-源码

  2. 用Pytorch进行扩张 0.开发环境 1.解释实施 2. “通过膨胀卷积进行多尺度上下文聚合”的摘要 2.1。 目标 提高语义分割的性能 2.2。 直觉 前端模块：防止严重的中间下采样 上下文模块：响应多尺度分辨率图像 2.3。 评估指标 平均交集 2.4。 前端模块 DCNN：改良的VGG-16 删除最后2个合并和跨步层 对于每个被消融的合并层，所有后续层中的卷积都以2的倍数进行扩展 紧随两个消融池化层的最终层中的卷积被放大4倍 删除中间要素贴图的填充 2.5。 上下文模块 2.6。 PA

  3. 所属分类：其它

    • 发布日期：2021-02-14
    • 文件大小：39kb
    • 提供者：weixin_42165018

  1. convolution1d-sandbox：使用d3.js构建1D卷积交互式可视化-源码

  2. 卷积互动游乐场 卷积是深度学习最近取得成功的核心，尤其是在计算机视觉方面。 这种交互式可视化有助于更好地理解分步处理。 用户可以在预定义功能中选择不同的内核并输入信号。 另一个选项将点拖到所需的水平。 该应用程序还说明了填充，膨胀和步幅参数的重要性。 演示应用程序：

  3. 所属分类：其它

  1. 基于去卷积的快速图像超分辨率方法

  2. 针对目前基于样例学习的图像超分辨率方法难以同时满足快速运算和生成高质量图像的问题, 提出一种基于去卷积的快速图像超分辨率方法。设计新型网络模型, 以低分辨率图像作为输入图像, 利用卷积层进行特征提取与表示; 利用去卷积层对图像特征放大膨胀, 再以池化层浓缩特征图, 提炼出对结果更敏感的特征; 以亚像素卷积层实现特征映射与图像融合, 获得高分辨率图像。在图像集上进行测试, 相比其他方法, 本文方法的测试结果具有较高的峰值信噪比, 且平均每秒能处理24幅以上大小为320 pixel×240 pixe

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：10mb
    • 提供者：weixin_38695452

  1. ID-CNN-CWS：源代码和论文“用于中文分词的迭代扩张卷积”的语料库-源码

  2. ID-CNN-CWS 源代码和论文“用于中文分词的迭代膨胀卷积”的论文集。 它为CWS实现以下4种模型： 双LSTM 双LSTM-CRF 身份识别 ID-CNN-CRF 依存关系 Python> = 3.6 TensorFlow> = 1.2 同时支持CPU和GPU。 GPU训练速度提高了10倍。 制备 运行以下脚本以将语料库转换为TensorFlow数据集。 $ ./scr ipts/make.sh 训练与测试 快速开始 $ ./scr ipts/run.sh $d

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：27mb
    • 提供者：weixin_42109545

  1. 基于YOLOv3改进的肺炎检测算法

  2. 肺炎是一种严重威胁人类健康的疾病,及时、准确地检测出肺炎可以尽早帮助患者接受治疗。因此,提出了一种基于YOLOv3改进的Multi branch YOLO检测算法。用多分枝膨胀卷积输出的特征代替YOLOv3中不同层级的特征进行检测,在多分枝卷积神经网络中引入Boosting思想,并使用最大化熵方法优化网络。将每个卷积分枝视为一个弱分类器,通过最大化熵方法使每个分枝学习到相近的检测能力,避免多分枝卷积模型退化成单分枝卷积模型。基于北美放射学会提供的肺部X射线影像进行实验,结果表明,该算法在实验数据

  3. 所属分类：其它

  1. 基于膨胀卷积平滑及轻型上采样的实时语义分割

  2. 针对轻量级网络在语义分割速度上较快,但精度较低的问题,在轻量级网络基础上,提出了基于膨胀卷积平滑及轻型上采样的实时语义分割方法。为了提高分割速度,采用结合结构化知识蒸馏的轻量级网络ResNeXt-18作为特征提取网络。设计了膨胀卷积平滑模块及轻型上采样模块,用来提高语义分割的精确度。为验证所提方法的有效性,在Cityscapes数据集及CamVid数据集上进行评估,在Cityscapes数据集上得到了速度为40.2 frame/s,精度为76.8%,参数量仅为1.18×10 7的结果。实验表明,

  3. 所属分类：其它

  1. 基于多尺度融合的深度人群计数算法

  2. 在人群计数统计时存在相机透视、人群重叠、人群遮挡等众多干扰因素,使人群计数的准确性不高。针对这一问题,提出一种多尺度融合的深度人群计数算法。首先,利用VGG-16网络的部分结构提取出人群底层特征信息;其次,以膨胀卷积理论为基础,构建多尺度特征提取模块,实现多尺度上下文特征信息的提取,降低模型参数量;最后通过将底层细节特征信息和高层语义特征信息融合的方式,提升模型计数性能和密度图质量。在三个公开数据集上对不同算法进行测试。实验结果表明,与其他人群计数算法相比,所提算法的平均绝对误差和方均误差均有不

  3. 所属分类：其它

  1. 多尺度特征融合的膨胀卷积残差网络高分一号影像道路提取

  2. 针对全卷积神经网络多次下采样操作导致的道路边缘细节信息损失和道路提取不准确的问题,本文提出了多尺度特征融合的膨胀卷积残差网络高分一号影像道路提取方法。首先,通过目视解译的方法制作大量的道路提取标签数据;其次,在残差网络ResNet-101的各个残差块中引入膨胀卷积和多尺度特征感知模块,扩大特征点的感受野,避免特征图分辨率减小和道路边缘细节特征的损失;然后,通过叠加融合和上采样操作将各个尺寸的道路特征图进行融合,得到原始分辨率大小的特征图;最后,将特征图输入Sigmoid分类器中进行分类。实验结果

  3. 所属分类：其它

  1. Pytorch中膨胀卷积的用法详解

  2. 卷积和膨胀卷积 在深度学习中，我们会碰到卷积的概念，我们知道卷积简单来理解就是累乘和累加，普通的卷积我们在此不做赘述，大家可以翻看相关书籍很好的理解。 最近在做项目过程中，碰到Pytorch中使用膨胀卷积的情况，想要的输入输出是图像经过四层膨胀卷积后图像的宽高尺寸不发生变化。 开始我的思路是padding=’SAME’结合strides=1来实现输入输出尺寸不变，试列好多次还是有问题，报了张量错误的提示，想了好久也没找到解决方法，上网搜了下，有些人的博客说经过膨胀卷积之后图像的尺寸不发生变化，有

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：157kb
    • 提供者：weixin_38560275
« 12 3 »