图像压缩矢量量化 使用随机初始化对聚类中心进行图像压缩的 k-means 的实现

非均匀量化matlab代码 Uniform and Non-Uniform Quantization The MATLAB code achieves the tasks given in the image

通信原理课程设计，对信号进行量化编码，计算SQNR信号量化噪声比，信号功率，量化噪声功率信号量化噪声比

A White Paper on Neural Network Quantization-2106.08295 MQBench Towards Reproducible and Deployable INTEGER QUANTIZATION FOR DEEP LEARNING INFERENCE PRINCIPLES AND EMPIRICAL EVALUATION-2004.09602 Quantizing deep convolutional networks for-1806.08342Quantizing deep convolutional networks for-1806.08342Quantizing deep convolutional networks for-1806.08342Quantizing deep convolutional networks for-1806.08342Quantizing deep convolutional networks for-1806.08342

具有旋转不变性的LPQ，LPQ的分类性能较LBP，LTP，及其它种类的LBP要好的多，甚至要好于Gabor滤波算法。是模式识别中特征提取算法的经典之作

Color quantization using the fast K-means algorithm Color Quantization Using the Fast K-Means Algorithm Hideo Kasuga Graduate School of Engineering, Shinshu University, Nagano, Japan 380-8553 Hiroaki Yamamoto and Masayuki Okamoto Faculty of Engineering, Shinshu University, Nagano, Japan 380-8553 SUMMARY Many color images use 24 bits for color information. However, this number of colors is not always necessary. In this paper, an algorithm that quantizes a full-color image from about 17

深度压缩压缩深度神经网络，并带有经过修剪训练的量化和霍夫曼算法 这是文件的pytorch实现。 Pytorch版本：0.4.0

矢量量化(VQ)技术 概述 基本原理 失真测度 矢量量化器的最佳码本设计 矢量量化技术的优化设计 动态时间规整(DTW)技术 一般来说，语音识别的方法有三种：基于声道模型和语音知识的方法、模板匹配的方法以及利用人工神经网络的方法。 语音学和声学的方法 该方法起步较早，在语音识别技术提出的开始，就有了这方面的研究，但由于其模型及语音知识过于复杂，现阶段没有达到实用的阶段。 神经网络的方法 基于ANN的语音识别系统通常由神经元、训练算法及网络结构等三大要素构成。由于基于神经网络的训练识别算法由于实现起来较复杂，目前仍只是处于实验室研究阶段。 模板匹配 作用是按照一定的准则求取待测语音特征参数和语音信息与模式库中相应模板之间的失真测度，最匹配的就是识别结果。 模板匹配的方法发展比较成熟，目前己达到了实用阶段。 常用的技术有三种: 矢量量化(VQ)技术 动态时间规整(DTW)

MMCQ.js 是一个用于颜色量化的 Javascript 模块，基于 Leptonica。 版权所有 (C) 2014 Nikola Klaric。 麻省理工学院许可。 源自 Nick Rabinovitz 的原创作品，并在 MIT 许可下获得许可。

纳米级 纳米产品量化（nanopq）：产品量化（PQ）和优化产品量化（OPQ）的纯实现，以纯python编写，没有任何第三方依赖性。 正在安装 您可以通过pip安装软件包。 该库可在Linux上与Python 3.5+一起使用。 pip install nanopq 例子 import nanopq import numpy as np N , Nt , D = 10000 , 2000 , 128 X = np . random . random (( N , D )). astype ( np . float32 ) # 10,000 128-dim vectors to be indexed Xt = np . random . random (( Nt , D )). astype ( np . float32 ) # 2,000 128-dim vectors for t