行业分类-物理装置-深度递归残差网络的遥感图像空谱融合方法和电子设备.zip

行业分类-物理装置-基于随机深度残差网络的高光谱图像分类方法.zip

画残差图的matlab代码

Deep Residual Learning for Image Recognition 深度残差网络论文笔记 蓝：生疏词汇 红：疑惑 黄：重点 绿：次重点 使用Edge浏览器可编辑

线都呈平行状态，表明两个因素变量不存在交互作用。 （7）输出残差分析图 Estimated Marginal Means of DELUSION BLOCK 4321 E st im at ed M a rg in al M e an s 11.0 10.5 10.0 9.5 9.0 8.5 8.0 COND 1 2 3 4

RAIM；最小二乘残差：接收机自主完好性监测

针对车辆检测任务，设计更高效、精确的网络模型是行业研究的热点，深层网络模型具有比浅层网络模型更好的特征提取能力，但构建深层网络模型时将导致梯度消失、模型过拟合等问题，应用残差网络结构可以缓解此类问题。基于YOLO算法，改进残差网络结构，加深网络层数，设计了一种含有68个卷积层的卷积神经网络模型，同时对输入图像进行预处理，保证目标在图像上不变形失真，最后在自定义的车辆数据集上对模型进行训练与测试，并将实验结果与YOLOV3模型进行对比，实验表明，本文设计的模型检测精准度(AP)达90.63%，较YOLOV3提高了4.6%。

多尺度残差超分辨率重建 MSRN(4倍)的win程序,由《MSRN-PyTorch-master》中的 MSRN_x4.pt 模型改编而来

MSRN_PyTorch 该存储库是论文“用于图像超分辨率的多尺度残差网络”的官方PyTorch实施。 可以从下载论文 可以从下载所有测试数据集（预处理的HR图像）。 所有原始测试数据集（HR图像）都可以从下载。 我们的MSRN直接在Y通道上进行了培训和测试。 但是，越来越多的SR模型在RGB通道上进行训练。 为了公平起见，我们根据代码对MSRN进行了重新培训。 我们发布了该项目的新代码和结果。 旧代码被移到OLD /文件夹中。 新代码存储在MSRN /文件夹中。 更新2019.06.12.1 先前提供的再训练模型使用DIV2K（1-895）。 我们更正了此错误，并提供了重新训练的模型（DIV2K 1-800）和结果。 我们现在还提供了x8结果！ 请注意，我们仅使用800张图像（DIV2K 1-800）进行训练，并使用最新的重量文件进行测试。 更新2019.06.12.2

统计学高清思维导图-残差分析