LoFTR：与变压器互不影响的无检测器局部特征 | LoFTR：与变压器互不干扰的本地特征匹配*，*， *，，CVPR 2021 代码发布ETA 我们计划在接下来的一周内发布仅推理的代码和预训练的模型，敬请期待。 用于数据预处理，培训和验证的整个代码库正在进行重大重构，并将于6月左右发布。 如果您希望收到代码发布的通知，请订阅。 同时，在中欢迎对该文件进行。 引文 如果您发现此代码对您的研究有用，请使用以下BibTeX条目。 @article{sun2021loftr, title={{LoFTR}: Detector-Free Local Feature Matching with Transformers}, author={Sun, Jiaming and Shen, Zehong and Wang, Yuang and Bao, Hujun and Zhou, Xiao

DeepDB：从数据中学习，而不是从查询中学习！ DeepDB是数据驱动的学习型数据库组件，可实现基数估计和近似查询处理（AQP）的最新性能。 这是在中描述的实现 Benjamin Hilprecht，Andreas Schmidt，Moritz Kulessa，Alejandro Molina，Kristian Kersting，Carsten Binnig：“ DeepDB：从数据中学习，而不是从Queries中学习！”，VLDB'2020。 设置 经过python3.7和python3.8测试 git clone https://github.com/DataManagementLab/deepdb-public.git cd deepdb-public sudo apt install -y libpq-dev gcc python3-dev python3 -m venv ve

Disparity estimation for binocular stereo images finds a wide range of applications. Traditional algorithms may fail on featureless regions, which could be handled by high-level clues such as semantic segments. In this paper, we suggest that appropriate incorporation of semantic cues can greatly rectify prediction in commonly-used disparity estimation frameworks. Our method conducts semantic feature embedding and regularizes semantic cues as the loss term to improve learning disparity. Our unified model SegStereo employs semantic features from segmentation and introduces semantic softmax loss, which helps improve the prediction accuracy of disparity maps. The semantic cues work well in both unsupervised and supervised manners. SegStereo achieves stateof-the-art results on KITTI Stereo benchmark and produces decent prediction on both CityScapes and FlyingThings3D datasets.

基于深度学习的毫米波系统的信道估计和混合预编码 将“ matlab”和“ python”文件夹放在根目录中 “ matlab”文件夹包含传统的HBF算法，信道估计算法和数据生成代码。 “ python”文件包含已定义的神经网络模型和经过训练的模型。 如果要直接测试HBF-Net和CE-HBF-Net，则可以 运行“ matlab / channel_gen.m”以生成测试通道。 运行“ matlab / gen_testdata.m”以生成测试数据集 您也可以单击（提取代码：om9r）下载数据集，而无需生成新的测试数据集。 训练后的模型保存在“ python / model”中。 在测试模式（train_flag = 0）下运行“ python / main.py”，可以测试HBF-Net和CE-HBF-Net的性能。 如果您想对HBF-Net和CE-HBF-Net进行再培训，则可以

图像增强的一篇论文，思路和损失函数比较清晰

Matlab仿真EMD趋势估计 该代码随附马斯特里赫特大学数据科学和人工智能理学学士学位所需的论文“通过经验模态分解进行趋势估计和去除”。 贾科莫·安纳尔迪（Giacomo Anerdi）- 需要Matlab来运行全部代码。 所需的MATLAB工具箱是： 统计和机器学习工具箱 信号处理工具箱 符号数学工具箱 使用Gabriel Rilling（已包含在存储库中）的EMD MATLAB包，该包可从以下位置检索： 如何设置软件 下载资料夹 在MATLAB中，将资源库文件夹设置为当前文件夹 运行setup.m脚本 笔记： 由于文件太大，包含用于查找比率方法的置信区间的所有150,000个实现的文件丢失了。 但是，可以使用reals_for_optimal_p_script.m脚本创建一组新的实现。

Introduction to Estimation Theory with Application in Spectral Analysis It is a MATLAB program with experiment data for verification. reference book: Digital Spectral Analysis Edited by Francis Castanié

最大似然估计教程 Maximum Likelihood Estimation

Fundamentals of Statistical Signal Processing Vol I Estimation很有价值的一本书 美国博士课程经典教材 另有中文版Vol I & II: http: download csdn net detail tinaeva 8452623 小闻子专业推荐 必看好书

pent 估计Copula熵和传递熵 介绍 实现了估计参数熵和传递熵的非参数方法。 估计copula熵的方法由两个简单步骤组成：通过等级统计估计经验copula和使用k最近邻法估计copula熵。 Copula熵是用于多元统计独立性测量和测试的数学概念，并被证明等同于互信息。与Pearson相关系数不同，Copula熵是为非线性，高阶和多元情况定义的，这使其普遍适用。估计copula熵可以应用于很多情况，包括但不限于变量选择[2]和因果发现（通过估计传递熵）[3]。有关更多信息，请参阅Ma and Sun（2011） 。有关中文的更多信息，请点击。 用于估计传递熵的非参数方法包括两个步骤：估计三个copula熵和从估计的copula熵计算传递熵。还提供了条件独立性测试的功能。有关更多信息，请参阅Ma（2019） 。 功能 pent-估计copula熵; Construct_empir