序言的案例分析（2）(I)
(2)以讲故事的模式撰写的商业报告序言
优点：读者理解该备忘录的目的和信息将会变得容易许多。
10月份新建的机构将管理该机构两个部门的所有日常事务的全部权力和责任，这些原本都完全由两个部门的经理负责。这一举措将董事会从琐事中解脱出来，全力处理董事会独有的决策和规划等宏观事务。
评析：(开头部分：说明情境(S)的时间和地点，引入情境时，应先作出与文章主题有关、且具有独立性、读者肯定会同意的表述)
2021-10-20 13:24:38
571KB
1
cvpr2019_金字塔特征注意网络以进行显着性检测
赵婷和吴相干撰写的CVPR 2019论文“用于显着性检测的金字塔特征注意网络”的源代码。 （ ）
下载显着性地图
为了方便起见，我们提供了本文中使用的基准数据集的显着性图。
Google：
百度：提取：9yt5
设置
安装依赖项：
Tensorflow (-gpu)
Keras
numpy
opencv-python
matplotlib
用法：
train:
python train.py --train_file=train_pair.txt --model_weights=model/vgg16_no_top.h5
test:
jupyter notebook
run dome.ipynb
结果
如果您认为这项工作有帮助，请引用
@inproceedings{zhao2019pyrami
2021-10-15 16:28:45
52.97MB
1
【图像融合】基于nsct-SR+dwt-SR+拉普拉斯金字塔算法-SR等多种图像融合算法matlab源码
2021-10-12 15:10:03
15KB
1
为了提高一键式检测中图像匹配精度和速度，提出一种基于轮廓曲线的快速高精度图像配准算法:根据定义的图像匹配差异度度量，采用图像金字塔搜索匹配策略，利用相应的相似性度量进行图像匹配。具体流程为:对采集图像和模板分别建立图像金字塔，对每层图像和模板使用sobel算子提取边缘。对顶层图像使用归一化角点距离矩阵与模板进行粗匹配，然后使用同心圆划分法进行细匹配，获取精确位置后映射至金字塔下一层，再次使用同心圆方法细匹配获取精确位置，目标坐标逐层向下映射，最终获取原图中目标的真实位置。实验表明该方法提升了一键式测量仪的匹配速度和匹配精度，而且不受遮挡、非线性光照变化、对比度低、全局对比度反转、局部对比度反转等情响。减少测量准备时间，提升了一键式测量仪的性能。
2021-10-10 17:33:02
1.03MB
1
PWC-Net：使用金字塔，翘曲和成本量的光流量CNN PWC-Net：使用金字塔，翘曲和成本量的光流量CNN版权所有（C）2018 NVIDIA Corporation。
版权所有。
根据CC BY-NC-SA 4.0许可（https://creativecommons.org/licenses/by-nc-sa/4.0/legalcode）获得许可。
用法对于Caffe用户，请参阅Caffe / README.md。
对于PyTorch用户，请参阅PyTorch / README.md。PyTorch实现几乎与Caffe实现匹配（Sintel训练集最后一次通过时的平均EPE：2.31，由Pytorc提供）
2021-10-09 21:51:02
212.38MB
1
使用Tensorflow进行光流预测
此存储库提供了基于DesSun的精彩论文“ PWC-Net：使用金字塔，扭曲和成本量进行光流的CNN”的基于TensorFlow的实现。 （CVPR 2018）。
已经有一些尝试使用TensorFlow实施PWC-Net。 但是，它们要么使用本文CNN网络的过时架构，要么仅提供TF推断（不提供TF训练），要么仅在Linux平台上工作，并且不支持多GPU训练。
此实现同时提供基于TF的训练和推理。 它具有可移植性：因为它不使用任何基于CUDA的动态加载的TensorFlow用户操作，因此可以在Linux和Windows上运行。 它还支持多GPU训练（此处
2021-10-09 21:43:42
87.53MB
1