基于张量分解的大规模MU-MIMO系统中CSI反馈算法，曾媛，谢东亮，近年来，大规模多用户多输入多输出(Multi Users Multiple Input Multiple Output,MU-MIMO)通过在基站端配置大规模天线阵列，在不增加带宽及功率的��

VNect-Tensorflow版本 该项目是VNect的tensorflow实现 SIGGRAPH 2017 。 这不是官方实施。 请联系论文作者以获取相关模型。 环境环境 Ubuntu 16.04 Python 2.7 Tensorflow 1.3.0 OpenCV 3.3.0 OpenGL（可选） 推理 1.下载模型，放入文件夹models/weights 2.在shell脚本中编辑演示设置--device --demo_type --model_file --test_img --plot_2d --plot_3d 3.如果使用的是OpenGL，则可以运行run_demo

磁共振弥散张量成像，磁共振弥散张量成像课件，磁共振弥散张量成像PPT

笔记 不能保证所有实现都是正确的，未经原始作者检查，只能从本文描述中重新实现。 原始纸 包含EEGNet的原始论文和模型 tf_EEGNet 这是EEGNet的张量流实现 有关更多信息，请参见 tf_ConvNet 这是ConvNet的tensorflow实现 有关更多信息，请参见 留一题实验 型号：tf_EEGNet BCI_competion 2a的预处理 1. A trial contained 2s and was extraced 0.5s after the cue was given. 2. A 4-38Hz bandpass was done by a causal 6-order Butterworth fliter. 3. The MI dataset was sampled at 250Hz. And it was resampled to 128Hz for E

需要scala和sbt（scala构建工具）这些安装好后，试试 sbt 运行 nek.m

tensorflow-yolov4-tflite YOLOv4，YOLOv4-tiny在Tensorflow 2.0中实现。 将YOLO v4，YOLOv3，YOLO tiny .weights转换为.pb，.tflite和trt格式以生成tensorflow，tensorflow lite和tensorRT。 下载yolov4.weights文件： ://drive.google.com/open id 1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT 先决条件 Tensorflow 2.3.0rc0 性能 演示版 # Convert darknet weights to tensorflow # # yolov4 python save_model.py --weights ./data/yolov4.weights --output ./checkpoints/yolov4-416 --input_size 416 --model yolov4 # # yolov4-tiny python save_model.py --weights ./data/

By Rutherford Aris. 虽然是很早以前出版的书，但对于学习向量张量是很好的教材

张量工具箱

张量（三维矩阵）奇异值分解即SVD分解进行图像去噪-张量（三维矩阵）奇异值分解即SVD分解进行图像去噪-SVD，最新流行算法代码，无错误

tensorRelightingDemo.m 演示了使用笛卡尔张量基础进行面部表观 BRDF (ABRDF) 估计和随后的重新照明。 给定在不同点源照明下的几张人脸图像，包含的 ABRDF 估计代码可以对它们进行插值和外推以生成新图像。 如果您发现此代码有用，请引用以下论文： Ritwik Ku​​mar、Angelos Barmpoutis、Arunava Banerjee、Baba C. Vemuri，“使用张量样条对人脸进行非朗伯反射建模和形状恢复”，IEEE 模式分析和机器智能交易 (PAMI)，2009 年。 http://seas.harvard.edu/~rkkumar/ 请注意，在上面的论文中，我们提出了一种将每个像素的笛卡尔张量与空间样条相结合的方法。 该代码中不包含论文的样条部分，但即使没有它，提供的代码也可用于重新照明，尽管在输入图像数量较少时重新照明质量会有所