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. 数字信号处理实验C++程序(DFT/IDFT/FFT/IFFT/普通卷积、快速卷积）

  2. 数字信号处理实验、C++程序、DFT、IDFT、FFT、IFFT、普通卷积、快速卷积

  3. 所属分类：C++

    • 发布日期：2010-05-14
    • 文件大小：8192
    • 提供者：tllovejf1

  1. 基于C++实现 普通卷积 快速卷积 长序列卷积——数字信号处理实验

  2. 基于C++实现 普通卷积 快速卷积 长序列卷积——数字信号处理实验，值得参考。程序里现成的序列有正弦波 矩形波 三角波 采样

  3. 所属分类：C++

    • 发布日期：2010-12-08
    • 文件大小：4096
    • 提供者：qiubcym

  1. on tail-biting convolutional codes

  2. 文章描述了关于卷积编码中的咬尾卷积的定义及性能，及相对普通卷积编码的优点。

  3. 所属分类：其它

    • 发布日期：2015-08-03
    • 文件大小：791552
    • 提供者：kakamilan

  1. 两个矩阵的中心卷积和普通卷积

  2. 矩阵与矩阵的二维卷积 矩阵与数组的卷积 数组与数组的卷积 数组与矩阵的卷积

  3. 所属分类：C/C++

    • 发布日期：2009-01-19
    • 文件大小：161792
    • 提供者：skdynurj

  1. 基于深度学习的图像分割研究_张明月

  2. 基于深度学习的图像语义分割的主要思路是，使用像素级标注的图像，利用上采样、反卷积等特殊层，将普通卷积网络提取到的特征再还原回原图像尺寸，从而实现一种端到端的学习。本文在借鉴已有网络的基础上，提出了一种叫Fast-Seg Net的网络新架构，新架构使用了最新的残差网络结构，结合了稀疏卷积、分解卷积等操作，配合批归一化，将网络深度做到了 28层，在提高了精度的同时，依然保持了运行的速度。通过迁移学习的训练方法，加快了网络的收敛速度和精度。另外，本文提出了一套对图像进行像素级标注的工具和流程,并编写

  3. 所属分类：深度学习

    • 发布日期：2019-02-06
    • 文件大小：3145728
    • 提供者：fchfox

  1. 卷积神经网络的mnist手写数字识别

  2. 手写数字识别的Tensorflow完整代码，### 1. MNIST机器学习入门 **1.1.1 简介** 下载MNIST数据集，并打印一些基本信息： ``` python download.py ``` **1.1.2 实验：将MNIST数据集保存为图片** ``` python save_pic.py ``` **1.1.3 图像标签的独热表示** 打印MNIST数据集中图片的标签： ``` python label.py ``` *

  3. 所属分类：深度学习

    • 发布日期：2020-03-20
    • 文件大小：35840
    • 提供者：baidu_39629638

  1. F.M.菲赫金哥尔茨 - 微积分学教程(第3卷)(第8版)

  2. 来自 https://download.csdn.net/download/yangjunbuaa/10157766 细化到三级书签，进行过OCR，保留高清图片 上传时间：2019/3/2 文件大小：32.026Mb Contents •----封面 •----序 •----目录 •----第十五章 曲线积分•斯蒂尔切斯积分 --------§1.第一型曲线积分 ------------543.第一型曲线积分的定义 ------------544.约化为普通定积分 ------------5

  3. 所属分类：讲义

    • 发布日期：2019-03-02
    • 文件大小：32505856
    • 提供者：qq_32873321

  1. PyTorch 普通卷积和空洞卷积实例

  2. 今天小编就为大家分享一篇PyTorch 普通卷积和空洞卷积实例，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：66560
    • 提供者：weixin_38586279

  1. 卷积神经网络中的即插即用模块.pdf

  2. 这里的即插即用模块主要分为注意力模块和其他模块。即插即用模块一般是作为一个独立的模块，可以用于取代普通的卷积结构，或者直接插入网络结构中。最常见的即插即用模块莫过于注意力模块了，近些年好多略显水的工作都用到了注意力模块，仅仅需要简单添加这些注意力模块即可作为论文的创新点，比如SENet+Darknet53 组合。

  3. 所属分类：深度学习

    • 发布日期：2020-11-19
    • 文件大小：1048576
    • 提供者：qq_39752470

  1. Pytorch实现各种2d卷积示例

  2. 普通卷积 使用nn.Conv2d()，一般还会接上BN和ReLu 参数量NNCin*Cout+Cout(如果有bias，相对来说表示对参数量影响很小，所以后面不考虑) class ConvBNReLU(nn.Module): def __init__(self, C_in, C_out, kernel_size, stride, padding, affine=True): super(ConvBNReLU, self).__init__() self.op = nn.Sequent

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：44032
    • 提供者：weixin_38625098

  1. TensorFlow2.0(十)–实现深度可分离卷积神经网络

  2. 深度可分离卷积神经网络1. 深度可分离卷积网络介绍1. 1 深度可分离卷积网络与普通卷积网络1.2 普通卷积与深度可分离卷积计算量对比2. 深度可分离卷积网络实现2.1 导入相应的库2.2 数据集的加载与处理2.3 构建模型2.4 2.4 模型的编译与训练2.5 学习曲线绘制2.6 模型验证 1. 深度可分离卷积网络介绍 1. 1 深度可分离卷积网络与普通卷积网络 深度可分离卷积神经网络是卷积神经网络的一个变种，可以对卷积神经网络进行替代。对于普通的卷积申请网络，如下图左边部分所示，由卷积层，

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：1036288
    • 提供者：weixin_38612095

  1. 深度可分离卷积网络的理论与实战（TF2.0）

  2. 1、深度可分离卷积网络的理论 深度可分离卷积是普通卷积操作的一个变种，它可以替代不同卷积，从而构成卷积神经网络。 以精度损失为代价去换取计算量的减少和参数量的减少，从而使得深度可分离卷积网络可以在手机端运行。 用右图的结构代替左图： 它的好处是，有不同尺寸的视野域， 如下图是Inception V3的结构：从左到右的视野域为：1*1,3*3,6*6,5*5，在这四个分支上有4种不同的视野域，4种不同的视野域也就提取出了4种不同尺寸的图像特征。最后输出的信息就更丰富，效果更好。并且相对于不做分支

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：152576
    • 提供者：weixin_38665193

  1. 论文阅读：ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation

  2. 文章目录1 摘要2 亮点2.1 initial模块和bottlebeck模块2.1.1 initial模块2.1.2 bottlebeck模块2.2 PReLU2.3 普通卷积、非对称卷积、空洞卷积混合使用2.4 ENet总体结构3 效果4 结论5 参考资料 1 摘要 语义分割的落地（应用于嵌入式设备如手机、可穿戴设备等低功耗移动设备）是一个很重要的问题，而最近提出的网络中，虽然有着较高的准确率，但是其实时性不强，也就是训练、推理的速度太慢，无法应用于真实的应用场景中。针对以上问题，作者提出了E

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：792576
    • 提供者：weixin_38712874

  1. Dilated Convolution和普通感受野计算的python实现

  2. 感受野的计算公式如下：  r1=1,strides=1 rn = rn-1 + (fn – 1)*strides  rn表示第n层的感受野 fn表示第n层卷积核大小 striden表示前n-1层stride乘积 striden = strides= stride1*stride2*…*striden-1 这里对Dilated/Atrous Convolution的感受野计算也进行下实现 其实Dilated/Atrous Convolution理解起来很简单多孔卷积，仅仅是为了增加感受野，参数不变

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：33792
    • 提供者：weixin_38632797

  1. 基于卷积神经网络的足跟着地事件检测算法

  2. 为解决基于可穿戴传感器的步态事件检测技术对个体配合程度依赖性大、能耗高、应用条件苛刻等问题,提出一种基于机器视觉的足跟着地事件检测算法,可以在不需要参与者合作的情况下,利用普通摄像机实现对足跟着地事件的精确检测。提出一种新颖的特征,即连续轮廓帧差图(CSD-maps)来表达步态模式。一个连续轮廓帧差图可以将视频帧中行人连续的轮廓二值图编码到一张特征图中,使其蕴含丰富的步态时空信息。不同数量的行人连续轮廓帧差会产生不同的连续轮廓帧差图。利用卷积神经网络对连续轮廓帧差图进行特征提取和足跟着地事件分类

  3. 所属分类：其它

    • 发布日期：2021-02-22
    • 文件大小：6291456
    • 提供者：weixin_38620741

  1. eyeballer：卷积神经网络，用于分析渗透测试屏幕截图-源码

  2. 眼球手 快速浏览一下您的屏幕快照。 Eyeballer适用于大型网络渗透测试，您需要从大量基于Web的主机中找到“有趣的”目标。 继续并使用您最喜欢的屏幕截图工具，例如普通工具（EyeWitness或GoWitness），然后通过Eyeballer运行它们，以告诉您可能包含哪些漏洞，哪些不包含漏洞。 标签示例 旧网站 登录页面 主页 自定义404 建立 在pip上下载所需的软件包： sudo pip3 install -r requirements.txt 或者，如果您想要GPU支持：

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：13631488
    • 提供者：weixin_42139871

  1. DPED：使用深度卷积网络自动提高照片质量的软件和预训练模型-源码

  2. 具有深度卷积网络的移动设备上的DSLR质量照片 1.概述 提供的代码实现了本文，该论文提出了一种端到端的深度学习方法，可以将来自智能手机的普通照片转换为DSLR品质的图像。 学习的模型可以应用于任意分辨率的照片，而方法本身可以推广到任何类型的数码相机。 在可以找到更多的视觉结果。 2.先决条件 Python +枕头，scipy，numpy，imageio软件包 + 英伟达GPU 3.第一步 下载预训练的并将其放入vgg_pretrained/文件夹 下载（用于CNN培训的补丁）并将其

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：4194304
    • 提供者：weixin_42131342

  1. 基于RGBD图像和卷积神经网络的快速道路检测

  2. 针对移动平台有限的计算资源以及基于彩色图像的道路检测方法在极端光照情况下及路面类型变化时存在的不足, 提出了一种融合彩色图像和视差图像的基于9层卷积神经网络的快速道路检测算法。提出一种数据输入层预处理方法, 将视差图变换为视差梯度图以强化地面特征, 降低网络深度需求。所提两种网络结构为双通道后融合网络和单通道前融合网络, 分别用于卷积特征分析和快速道路检测。实验使用KITTI道路检测数据集并人为划分为普通和困难两组数据集, 对该算法进行实验对比和分析, 结果表明：与基于彩色图像的卷积神经网络方法

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：11534336
    • 提供者：weixin_38705873

  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：160768
    • 提供者：weixin_38560275

  1. PyTorch 普通卷积和空洞卷积实例

  2. 如下所示： import numpy as np from torchvision.transforms import Compose, ToTensor from torch import nn import torch.nn.init as init def transform(): return Compose([ ToTensor(), # Normalize((12,12,12),std = (1,1,1)), ]) arr = range(1,26) arr

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：70656
    • 提供者：weixin_38697808
« 12 3 »