近年来，由于基于语义的语义压缩技术的迅速发展，语义语义的稀疏表达被大量地运用于图像处理和图像处理等方面。利用稀疏表达和词典学习原理，对两类面料缺陷的逼近表达进行了研究，提出了一种新的织物缺陷识别方法。本课题的主要工作包括： 通过对目前纺织品缺陷的识别方法进行了研究，提出了一种新的分类方法，即以特征抽取和无属性抽取相结合的方法，对目前的缺陷进行了分析和归纳。然后，依据论文提出的基于稀疏表达和词典的学习算法，对面料缺陷的逼近表达进行了设计。最后，对试验结果进行了分析，表明了逼近表达式的有效性，为后续的面料缺陷识别奠定了基础。 介绍了一种利用稀疏表达技术进行纺织品缺陷识别的总体过程。首先采用直方图均衡方法对缺陷进行预处理；其次，利用逼近的稀疏表达模式，将缺陷图像进行分割，获得缺陷的部分；然后通过对缺陷分量进行重叠阈值分割，实现缺陷识别。

三元组表形式输入的稀疏矩阵快速转置严格按照严蔚敏版算法实现 带有注释和算法分析

Golay3_frequency_光学成像_光学孔径_光学稀疏孔径成像matlab_MATLAB光学_稀疏孔径.zip

基于改进稀疏A*算法的三维航迹规划方法，张俊峰，周成平，无人飞行器的飞行空间广大，规划环境多种多样，针对带有方向约束的海对陆规划环境，本文提出了一种改进的稀疏A*算法用于该环境下�

数据结构课程设计 稀疏矩阵的运算 内包含能够正确运行的代码 设计报告等 郑州航空工业管理学院

该库为 GPU 提供高性能批量稀疏矩阵乘法 (SpMM) 内核。目标矩阵很小，行（或列）数为几十或几百。这种操作可以在图卷积网络的应用中找到。Batched SpMM 算法的详细信息可以在论文 (1) 中找到。 (1) Yusuke Nagasaka、Akira Nukada、Ryosuke Kojima、Satoshi Matsuoka，“用于加速图卷积网络的批量稀疏矩阵乘法”，第 19 届 IEEE/ACM 集群、云和网格计算国际研讨会 (CCGrid 2019)，拉纳卡，塞浦路斯，2019 年。（论文也在arXiv上）

使用 GPU 张量核加速稀疏矩阵-矩阵乘法 在这个存储库中，我们提供了加速稀疏矩阵-矩阵乘法 (SpGEMM) 实现的源代码

子流形稀疏卷积网络 这是用于训练子流形稀疏卷积网络的PyTorch库。 空间稀疏性 该库将引入PyTorch。 此外，它引入了子流形稀疏卷积，可用于构建计算有效的稀疏VGG / ResNet / DenseNet样式的网络。 通过常规的3x3卷积，活动（非零）站点的集合将Swift增长： 通过子流形稀疏卷积，活动位点的集合保持不变。 活动站点查看其活动邻居（绿色）；活动站点查看活动邻居。 非活动站点（红色）没有计算开销： 堆叠子流形稀疏卷积以构建VGG和ResNet类型的ConvNet，信息可以沿着活动点的线或表面流动。 断开连接的组件起初不会进行通信，尽管它们会由于跨步操作（池化或卷积）的影响而合并。 另外，在网络中添加ConvolutionWithStride2-SubmanifoldConvolution-DeconvolutionWithStride2路径可以使不相交的活动

1.1 欠定线性系统 设有一个矩阵 mn IR   （ mn  ），定义一个欠定线性系统方程组 bAx  。这个系统比等式有更多的未知，如果 b 不在矩阵 A 的列数范围之内， 它或许没有解，或许有无限多解。为了避免没有解的不规则性，我们以后应该设 A 是一个满秩矩阵，意味着它的列向量跨度了整个 n R 空间。 在工程学中，我们经常遇到用公式表示的问题，就像这个欠定线性方程组一 样。以图像处理为例，考虑图像放大问题，在这一个未知的图像却经历了模糊和 缩小的处理，结果是给出了一个低质量的缩小的图像 b。矩阵 A 代表了这个降级 的操作，我们的目的是从给定的 b 中修复原始图像 x。显然，会有很多图像 x 来 解释 b,在这些图像中肯定有一些比另一些看起来好一些。我们怎么来找到合适的 图像 x 呢？ 1.2 规则化 在上面的例子和假定有同样构想的许多其它问题中，我们希望得到一个唯一 的解，事实上它们很多都代表了同一个障碍。想要减少得到一个定义明确的解的 选择，是需要额外条件的。一个常见的方法就是规则化，优先考虑引进一个能求

CUDA实现稀疏大矩阵乘法