近几年应用在单幅图像超分辨率重建上的深度学习算法都是使用单种尺度的卷积核提取低分辨率 图像的特征信息，这样很容易造成细节信息的遗漏。另外，为了获得更好的图像超分辨率重建效果，网络模型也不 断被加深，伴随而来的梯度消失问题会使得训练时间延长，难度加大。针对当前存在的超分辨率重建中的问题，结合 GoogleNet 思想、残差网络思想和密集型卷积网络思想，提出一种多尺度密集残差网络模型。方法 使 用 3 种不同尺度卷积核对输入的低分辨率图像进行卷积处理，采集不同卷积核下的底层特征，这样可以较多地提 取低分辨率图像中的细节信息，有利于图像恢复。再将采集的特征信息输入残差块中，每个残差块都包含了多个 由卷积层和激活层构成的特征提取单元。另外，每个特征提取单元的输出都会通过短路径连接到下一个特征提取 单元。短路径连接可以有效地缓解梯度消失现象，加强特征传播，促进特征再利用。接下来，融合 3 种卷积核提取 的特征信息，经过降维处理后与 3 × 3 像素的卷积核提取的特征信息相加形成全局残差学习。最后经过重建层，得 到清晰的高分辨率图像。整个训练过程中，一幅输入的低分辨率图像对应着一幅高分辨率图像标签，这种端到端 的学习方法使得训练更加迅速。使用两个客观评价标准 PSNＲ( peak signal-to-noise ratio) 和 SSIM( structural similarity index) 对实验的效果图进行测试，并与其他主流的方法进行对比。最终的结果显示，本算法在 Set5 等 多个测试数据集中的表现相比于插值法和 SＲCNN 算法，在放大 3 倍时效果提升约 3. 4 dB 和 1. 1 dB，在放大 4 倍时提 升约 3. 5 dB 和1. 4 dB

自己毕业时候编的一个利用灰色理论进行数据预测的软件 包括GM（1，1）预测和残差GM（1，1）预测 自己毕业时候编的一个利用灰色理论进行数据预测的软件 包括GM（1，1）预测和残差GM（1，1）预测

图像超分辨率（ISR） 该项目的目标是扩大和提高低分辨率图像的质量。 该项目包含针对单一图像超分辨率（ISR）的各种残差密集网络的Keras实现，以及使用内容和对抗性损失组件来训练这些网络的脚本。 已实施的网络包括： 残差密集网络中描述的超规模残差密集网络（Zhang et al.2018） 网络中描述的残留致密网络中的超规模残留（Wang等人，2018） Keras VGG19网络的多输出版本，用于感知损失中的深度特征提取 一种自定义判别器网络，基于（SRGANS，Ledig et al.2017）中的描述 阅读完整的文档，为： : 。 和进行培训和预测。 此外，我们提供了一些脚本，以简化AWS和在云上的培训，仅需少量命令。 ISR与Python 3.6兼容，并在Apache 2.0许可下分发。 我们欢迎任何形式的贡献。 如果您想贡献，请参阅部分。 内容 预训练网络 创建模型对象时，可直接获得用于生成这些图像的权重。 当前有4种型号可用： RDN：较大的psnr，较小的psnr，取消噪声 RRDN：甘斯 用法示例： model = RRDN(weights=

利用最小拉普拉斯残差插值的彩色图像去马赛克

何凯明的深度残差网络 PPT 对应相应论文的PPT 仅供学习交流使用

基于GM（1,1）模型的灰色算法改进，带残差修正的灰色算法java实现

resnet_101 残差网络101层，训练好的参数。 真实有效，欢迎下载

基于残差分析的离群点检测算法，适用具有线性回归关系的二维数据，可以对数据中的离群点进行有效剔除检测。

布尔莎七参数;公共点残差；大地测量学；坐标换算；大地测量学 的编程作业，含源码，有兴趣的童鞋可以看一看，运行没有任何问题，用于坐标转换，最后成果输出为TXT文件

基于残差网络的训练模型，准确率可以达到99%，测试集有86%