使用深度学习框架的红外和可见光图像融合 - Pytorch 实现

这是我的毕业项目，如果你想重用它，只使用训练 py 文件来训练模型整个应用程序将无法工作，而且我没有上传经过训练的模型的 h5 文件，因为它的大小约为 3GB，即太多了，您可以将 kaggle API 与 colab 一起使用来轻松训练模型，谢谢 :) 图像伪造检测使用深度学习 使用卷积神经网络进行图像处理以检测图像中的篡改 项目描述 该项目结合了不同的深度学习技术和图像处理技术，以检测不同图像格式（有损或无损格式）的图像篡改“复制移动和拼接”伪造。我们实施了两种不同的技术来检测篡改。我使用 ELA 预处理构建了自己的模型，并使用了两个不同的预训练模型（VGG19、VGG15）进行微调，这些模型使用Google Colab进行训练，图像伪造检测应用程序使用户能够使用应用程序训练的模型测试图像或训练具有新数据集的应用程序模型和具有此新训练模型的测试图像。 楷模 错误级别分析“ELA” [1][2]最高准确率 (94.54% , epoc12)您可以从这里阅读更多关于 ELA 的信息！. VGG16 预训练模型。 VGG19 预训练模型。

检索图像问题的一般解法 DeepEmbedding空间使用第一个搜索空间研究（DeepMetric）深度哈希（DeepHash）的空间映射函数，将空间空间的学习映射到低维嵌入引擎的空间映射函数。抽取特征，即本次实验研究的第二个问题，第二个问题为特征搜索问题 关于本项目的使用 1.下载相应训练的数据集 2.采用不同的损失类型对模型进行运行train cub200模型 nohup python train_mx_ebay_margin.py --gpus=1 --batch-k=5 --use_viz --epochs=30 --use_pretrained --steps=12,16,20,24 --name=CUB_200_2011 --save-model-prefix=cub200 > mycub200.out 2>&1 & 运行火车 stanford_online_product nohup python train_mx_ebay_margin.py --batch-k=2 --batch-size=80 --use_pretrained --use_viz --gpus

俄语和乌克兰语语音算法变音的 Rust 实现

还提供了一个用于区分列表的功能，该功能利用了 LIS 算法。

Simple(x)黑盒全局优化算法的 Rust 实现。 该算法（不应与单纯形算法混淆）最接近贝叶斯优化。与贝叶斯优化相比，它的优势在于能够高效地处理大量样本和高维。

纯 Rust 中 FP-Growth 算法的实现

该工具使用 Google 的 RAISR 算法对图像进行放大。 TODO : 完成算法的训练部分。目前，此工具使用从 movehand 的Python 实现导出的过滤器库。

一种融合低成本三轴 MEMS 陀螺仪和加速度计测量的算法。

该库实现了VSOP87解决方案来计算太阳系中行星的位置 主模块计算太阳系行星的昼夜平分点 J2000.0 的日心黄道轨道元素，基本VSOP87解决方案。每个其他 VSOP87实现都有一个模块：VSOP87A、VSOP87B、VSOP87C、VSOP87D和VSOP87E。更多信息可以在这里和这里找到。 每个模块都有自己的文档，这里是基本VSOP87 解决方案的文档。VSOP87算法在水星、金星、地月重心和火星的 J2000 纪元前后4,000 年，木星和土星的2,000 年以及天王星和海王星的6,000 年具有很高的精度（低于 1 英寸） 。 基本VSOP87解决方案计算围绕太阳的行星的轨道元素。返回的元素是特殊的 VSOP87 轨道元素，可以使用Intotrait 将其转换为通常的开普勒元素。这些元素非常适合了解轨道如何随时间变化。它也可以用于其他复杂的轨道计算。