城市道路中车辆检测与识别对于提升交通安全，发展智能化交通具有非常重要的意义。传统的检测方式依赖于人工提取的特征，已难以适用于复杂多变的交通场景，存在识别精确度低、时间复杂度高等缺陷。深度学习模型可以自动提取有用特征，泛化能力强，但难以对相似型车辆进行更加精细的分类，为此提出一种基于残差网络的小型车辆目标检测算法。算法将传统卷积神经网络的连接形式改为一种基于局部连接和权值共享的残差连接模式，同时更改网络结构控制参数数量，将图片不同层次的特征融合计算，应用感兴趣区域池化层规格化前层特征，最后经过分类层和回归层得到目标框的置信度以及修正参数。实验表明，改进模型能够在保证时间效率的前提下增强网络的学习能力，提高平均精度，在相似小型车辆的检测问题上取得了良好的检测结果。

实现了位图的子窗口显示，并且模拟JPEG-LS预测机制，将预测残差显示

HEVC残差系数编解码代码详解，对HM中涉及的代码进行详细介绍

何凯明大神的残差网络，必须要看，必须要看，必须要看！！！

利用迭代残差插值的彩色图像去马赛克！

判断计算是否收敛，没有一个通用的方法。通过残差值判断的方法，对一些问题或许很有效，但在某些问题中往往会得出错误的结论。因此，正确的做法是，不仅要通过残差值，也要通过监测所有相关变量的完整数据，以及检查流入与流出的物质和能量是否守恒的方法来判断计算是否收敛。

文中对三频组合特性进行了系统性的研究,通过搜索得出(0,1,-1)、(1,-8,7)、(4,-8,3)等三频组合都有相对较好的特性。在研究了传统的伪距减相位组合周跳探测算法基础上,对于组合探测值的选择原则进行了深入探究,放宽了整数空间到整数空间的这一严格原则,并且给出了证明,从而拓展了该方法中周跳探测组合观测值的数量。

为了在红外与可见光图像融合中充分利用中间层提取的信息,防止信息过度丢失,提出一种新的基于卷积自编码器和残差块的图像融合方法。该方法采用由编码器、融合层和解码器三部分组成的网络结构。将残差网络引入编码器中,将红外与可见光图像分别送入编码器后,通过卷积层和残差块来获取图像的特征图;将得到的特征图采用改进的基于L1-norm的相似度融合策略进行融合,并将其整合为一个包含源图像显著特征的特征图;重新设计损失函数,利用解码器对融合后的图像进行重构。实验结果表明,与其他融合方法相比,该方法有效地提取并保留了源图像的深层信息,融合结果在主观和客观评价中都有着一定的优势。

自动调制识别在认知无线电、智能解调器、电子侦察等各种民用及军事应用中扮演重要角色。自动调制识别属于分类问题，常见的方法有KNN、DT、SVM、CNN。为了提高自动调制识别的准确度，基于GNU Radio生成20种信噪比8种调制类型的IQ数据集，训练深度神经网络模型RESNET进行分类测试。实验结果显示自动调制识别的分类准确度提高了近12%。证明了RESNET 适用于自动调制识别，可以满足工程需求。

EDSR Tensorflow实施 使用Tensorflow编写的的的实现。 要求 张量流 科学的 tqdm argparse 安装 pip install -r requirements.txt 训练 为了训练，您必须做一些事情... 下载图像数据集（由于我的计算限制，我使用了 ） 将来自该数据集的所有图像放入该图像下的目录中 运行python train.py --dataset data_dir其中data_dir是包含图像的目录 为了在训练期间查看统计信息（图像预览，标量为损失），只需运行tensorboard --logdir your_save_directory ，其中y