深度学习在人脸识别的研究和应用中取得一定成效,但因计算量大且耗时,不适用于小型嵌入式设备。基于融合梯度特征的轻量级卷积神经网络SqueezeNet提取人脸特征,既能保证该网络模型适用于内存相对小的嵌入式设备,又能保证获得的人脸特征对不同光照更具鲁棒性。实验结果表明,将8×8分块图像中提取的一阶梯度特征,与轻量级卷积神经网络提取的全局特征相融合的人脸识别算法,在LFW数据集中识别率可达97.28%,较传统轻量级卷积神经网络的人脸识别方法,识别率提高了4.36%。

此代码是“多尺度引导图像和视频融合：一种快速有效的方法”的实现如果您发现工作对您的研究有用，请引用这篇文章。 指示： 1) 运行 MGFF_demo.m 查看 Proposed MGFF 方法在灰度图像上的融合结果 2) 运行 MGFF_RGB_demo.m 查看 MGFF 方法对彩色图像的融合结果。 3) 代码中提供了所有必需的描述或说明。 我还强烈建议您参考论文以获取更多详细信息。 文章： https : //link.springer.com/article/10.1007/s00034-019-01131-z 4) 提供两组图片和代码用于演示。 您可以找到论文中使用的所有数据集在https://sites.google.com/view/durgaprasadbavirisetti/datasets?authuser=0 5）这是融合灰度和彩色图像的算法的基本实现。

基于多尺度变换的像素级图像融合是计算机视觉领域的研究热点，广泛应用于医学图像处理等领域。本文对多尺度变换的像素级图像融合进行综述，阐述多尺度变换图像融合的基本原理和框架。在多尺度分解方面，以时间为序梳理了塔式分解、小波变换和多尺度几何分析方法的发展历程。

基于D-S的决策级信息融合的故障诊断，王璇，周丰，为保证石油钻井过程安全可靠运行，对其故障诊断方法的研究具有重大意义。本文在国内外故障诊断技术的基础上，提出了基于传感器间

决策级融合 在信息表示的最高层次上进行的融合处理。不同类型的传感器观测同一个目标，每个传感器在本地完成预处理、特征抽取、识别或判断，以建立对所观察目标的初步结论，然后通过相关处理、决策级融合判决，最终获得联合推断结果，从而直接为决策提供依据。 因此，决策级融合是直接针对具体决策目标，充分利用特征级融合所得出的目标各类特征信息，并给出简明而直观的结果。 决策级融合优点： 实时性最好 在一个或几个传感器失效时仍能给出最终决策，因此具有良好的容错性。

数据融合matlab代码多模式精神工作量评估信号处理 此存储库包含用于处理生理多模态信号和从中提取特征的代码，如在SMC 2020上发表的题为“使用多传感器融合进行体育活动期间运动伪像-鲁棒性精神工作量评估”的论文中所述 预处理代码 这些是在matlab中实现的。 使用的信号：呼吸，心电图，血容量脉冲，皮肤电React和温度。 呼吸： 用于数据收集的设备：Bioharness 3 从18Hz到6Hz的数据下采样 使用IIR滤波器的低通滤波（<2Hz） 心电图（ECG） 用于数据收集的设备：Bioharness 3 使用五阶IIR滤波器的带通滤波（5Hz-25Hz） 使用基于能量的QRS检测算法提取RR系列（使用MHRV工具箱） 血容量脉冲（BVP） 使用Empatica E4收集的数据 使用五阶IIR滤波器的带通滤波（8Hz-30Hz） 皮肤电React（GSR） 使用Empatica E4收集的数据 下采样至4Hz 随后是分离相成分和补品成分 使用带五阶IIR滤波器的带通滤波器（0.1Hz-1Hz）完成 皮肤温度 使用Empatica E4收集的数据 带有40阶FIR滤波器的低通滤波

数据融合matlab代码CoSpace：从高光谱-多光谱对应中学习常见子空间 洪丹凤，横田直人，乔瑟琳·尚努索，朱孝祥 此工具箱中的代码实现。 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。 @article{hong2019cospace, title = {Co{S}pace: Common Subspace Learning from Hyperspectral-Multispectral Correspondences}, author = {D. Hong and N. Yokoya and J. Chanussot and X. Zhu}, journal = {IEEE Trans. Geosci. Remote Sens.}, volume = {57}, number = {7}, pages = {4349--4359}, year = {2019}, publisher = {IEEE} } 系统特定说明 该代码已在Windows 10计算机上的Matlab R2016a或更高版本中进行了测试。 如何使用它？ 直接运行demo.m来复

针对网络视频元数据信息缺失严重和多媒体数据本身特征难以提取等问题，提出了融合评论分析和隐语义模型的网络视频推荐算法。从视频评论入手，通过分析用户对不同视频的评论内容以判断其情感倾向并加以量化，继而构建用户对项目的虚拟评分矩阵，弥补了显式评分数据稀疏性问题。考虑到网络视频的多元性和高维度特性，为了深度挖掘用户对网络视频的潜在兴趣，针对虚拟评分矩阵采用隐语义模型( LFM) 对网络视频分类，在传统的用户—项目二元推荐系统基础之上添加虚拟类目信息以进一步发掘用户—类目—项目关联关系。实验在多重标准下进行，对 YouTube 评论集的实验表明，所提推荐方法获得了较高的推荐精度。

实现偏振图像的偏振度和偏振相角的融合，并实现融合后的图像与强度图像融合，比较梯度等信息

对于标准Kalman滤波，其中增益计算式（5.3-29c）涉及矩阵的求逆运算，当量测维数较高时，计算量很大。序贯滤波（sequential Kalman filter）是一种将高维数量测更新降低为多个低维数量测更新的方法，能有效地降低矩阵的求逆计算量。 利用序贯滤波，在滤波增益计算中的矩阵求逆问题将转化为标量的倒数运算，有利于减少滤波计算量和增强数值计算的稳定性。 如果量测方差阵Rk不是对角矩阵，通过三角变换的变换方法，可实现对角化处理，再利用序贯滤波。特别地，如果量测噪声方差阵Rk是常值阵，则只需在滤波初始化时作一次三角分解即可。