Infrared and visible image fusion with spectral graph wavelet transform
2022-05-18 20:14:11 256KB 研究论文
1
graph.h
2022-05-18 14:10:42 1KB
1
Reinhard Diestel牛人的图论英文教材第3版(2005),已经解密。
2022-05-17 20:42:32 2.9MB 图论 电子书 Graph Theory
1
蓝雾 BlueFog 是一个高性能的分布式训练框架,采用分散优化算法构建。 Bluefog 的目标是使去中心化算法易于使用、容错、对异构环境友好,甚至比使用参数服务器或 ring-allreduce 构建的训练框架更快。 表现 下面的图表代表了在 ResNet50 基准上完成的 BlueFog 的性能。 每台机器有 8 个 V100 GPU(64GB 内存),启用 NVLink,互连通信速度为 25Gbps。 这与您可以在获得的硬件设置相同。 我们测试了计算密集型场景的批量大小为 64 和通信密集型场景的批量大小为 32 的扩展效率。 在图中,黑框代表理想的线性缩放。 据观察,Bluefog 可以实现超过 95% 的扩展效率,而 Horovod 在 128 个 GPU 上以 64 的批量大小达到约 66% 的扩展效率。 对于批量大小为 32 的通信密集型场景,Bluefog 和 Hor
2022-05-17 16:21:24 5.33MB machine-learning asynchronous decentralized mpi
1
matlab寻峰代码图中的峰值点-MATLAB 由开发 : 苏哈迪普·戈什电子和电信工程师卡林加工业技术学院 (KIIT),布巴内斯瓦尔联络我 : 我的投资组合: 关注我: GitHub: 研究门: 找到图形的峰值点并绘制峰值的幅度和相位谱 代码使用 MATLAB 实现 给出了一个信号。 首先对信号进行 FFT 以获得幅度和相位响应。 然后频谱被适当地缩放和移动以仅获得正频率。 然后 MATLAB 函数findpeaks()用于信号的幅度和相位响应。
2022-05-16 22:48:43 2KB 系统开源
1
链路概率模型 (LPM) 可用作指数随机图模型 (ERGM) 的替代方法来模拟网络数据。 LPM 根据基于历史频率的链接概率来表征网络。 在本文中,LPM 与 ERGM 进行了比较和对比。 通过将这两种方法应用于四个纵向数据集来检查这两种方法的相对效用。 描述了这两种方法在数据需求、可扩展性和假设方面的相对优势和劣势。
2022-05-13 09:54:57 180KB Exponential random graph models;
1
Actually, this is the lecture notes for CS762 in the University of Waterloo, it is awesome. The prof. is Biedl Therese.
2022-05-12 17:18:07 1.3MB algorithm
1
图卷积网络用于高光谱图像分类 , ,,,, 该工具箱中的代码实现了 。 更具体地,其详细如下。 引文 如果此代码对您的研究有用且有帮助,请引用论文。 D. Hong,L。Gao,J。Yao,B。Zhang,A。Plaza,J。Chanussot。 用于高光谱图像分类的图卷积网络,IEEE Trans。 Geosci。 遥感,2020,DOI:10.1109 / TGRS.2020.3015157。 @article{hong2020graph, title = {Graph Convolutional Networks for Hyperspectral Image Classification}, author = {D. Hong and L. Gao and J. Yao and B. Zhang and A. Plaza and J. Chanusso
2022-05-10 20:53:01 41.38MB Python
1
请各位放心,本文件本人已在用,并且内含破解方法!
2022-05-09 13:42:35 775B S7 GRAPH 授权
1
随着网络信息的爆炸式增长,推荐系统在缓解信息过载方面发挥了重要作用。由于推荐系统具有重要的应用价值,这一领域的研究一直在不断涌现。近年来,图神经网络(GNN)技术得到了广泛的关注,它能将节点信息和拓扑结构自然地结合起来。由于GNN在图形数据学习方面的优越性能,GNN方法在许多领域得到了广泛的应用。在推荐系统中,主要的挑战是从用户/项目的交互和可用的边信息中学习有效的嵌入用户/项目。由于大多数信息本质上具有图结构,而网络神经网络在表示学习方面具有优势,因此将图神经网络应用于推荐系统的研究十分活跃。本文旨在对基于图神经网络的推荐系统的最新研究成果进行全面的综述。具体地说,我们提供了基于图神经网络的推荐模型的分类,并阐述了与该领域发展相关的新观点。
1