使用深度学习框架的红外和可见图像融合 ，吴晓军*，约瑟夫·基特勒国际模式识别大会2018 Li H，Wu XJ，Kittler J.使用深度学习框架的红外和可见图像融合[C] //模式识别（ICPR），2018年第24届国际会议。 IEEE，2018：2705-2710。 要求 您将需要以下工具来运行此代码： 如果您对此代码有任何疑问，请随时与我联系（ ， ） 融合方法 融合详细内容 多层融合策略 质量指标-Nabf Nabf-'BK Shreyamsha Kumar。 使用离散余弦谐波小波变换基于像素重要性的多焦点和多光谱图像融合。 信号，图像和视频处理，2012年。” 火炬版 仅供参考 https://github.com/GrimReaperSam/imagefusion_pytorch 引文 Li H，Wu XJ，Kittler J.使用深度学习框架的红外和可见

multi_seed_region_grow 一种多种子区域生长算法。 它可用作对象识别，分段，跟踪器等的预处理。 找到用C ++和opencv 2+编写的多种子区域增长算法并不容易，因此我分享了这个简单的版本。 环境 海湾合作委员会 CMake的 Opencv的2 档案文件 main.cpp：“主”文件，在C ++中实现“多种子区域增长”算法 auto_threshold_demo.cpp：演示如何实现“自动阈值” 影响 源图像 结果 去做 使用更强大的估算算法，而不是“增量和阈值” 优化rgb图像（现已实现） 优化效率 注意力 您需要在“ CMakeList.txt”中更改“ OpenCV_DIR”，“ OpenCV_LIB_DIR”，“ OpenCV_INCLUDE_DIRS”。 固定阈值并不总是有效的。 关于“自动阈值” “固定阈值”不是很优雅：） 我已经编写了一种

考虑多级车辆，公共交通和停车场的多模式动态交通分配的一般公式 由马威和Xidong Pi（AlanPi1992）实施，在卡内基梅隆大学土木和环境工程专业的肖恩钱的建议下进行。 要求 cvxopt 1.1.9 numpy的1.14.2 MNMAPI：MNMAPI是MAC在CMU中开发的流量模拟库，请参阅和 MNM_mcnb：MNMAPI的文件夹接口，请参考 指示 请克隆整个存储库，然后使用jupyter notebook运行Runner.ipynb。 实验 要在exp_config.py中检查实验的详细信息，请参阅该论文。 档案规格 src / exp_config.py：论文中的实验设置 src / gp.py：渐变投影方法 src / models.py：多模式DUE的实现 src / runner.ipynb：运行MMDUE的脚本 img / .：本文中使用的想象 data /

A light field three-dimensional (3D) display with multi-projectors and a concave screen is proposed. The system sets the viewing area at the center of the concave screen, making viewers enter the center of the system to watch 3D scene around them. The surrounded 3D scene provides viewers a feast of enhanced immersive experience. The light field principle, rendering algorithm, selection of viewing area and experimental results are discussed in the letter, showing the potential of being an all-aro

Multi Projector Warp System UNITY投影融合软件 https://assetstore.unity.com/packages/tools/camera/multi-projector-warp-system-75582

matlab声音信号相位代码一种识别火焰模型的多保真高斯过程方法 1. 亮点 提出了一种新的基于机器学习的策略，以有效降低火焰模型识别中的不确定性，从而确保可靠的燃烧器设计和分析。 该策略依赖于多保真高斯过程模型，该模型有效地聚合了低/高保真识别结果并平衡了计算工作量和准确性之间的权衡。 我们在从测试台获取的数据上成功测试了多保真策略。 我们的结果表明，给定相同的计算预算，所提出的策略在全局范围内产生更准确、更稳健的火焰模型识别。 这项工作最初在会议上发表，后来被期刊接受： Guo S.、Silva CF、Polifke W.，通过多保真高斯过程方法对火焰频率响应进行鲁棒识别。 声音与振动杂志，2021 年。 2. 动机 火焰模型构成了燃烧不稳定预测中不确定性的主要来源。 这种不确定性通常源于噪声时间序列数据的模型识别不完善。 最先进的识别方法要么准确但速度非常慢，要么速度快但包含很大的不确定性。 3. 方法论 我们旨在通过提出一种多保真机器学习方法来识别火焰模型，从而充分利用各自的优势，同时避免最先进方法的弱点。 这种方法吸收了低保真结果提供的全局趋势和高保真结果提供的局部估计，从而

用知云文献翻译加上自己的一些理解翻译的Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields这篇论文

Windows下的Apache+Mysql/MariaDB+Perl/PHP/Python，一组常用来搭建动态网站或者服务器的开源软件，本身都是各自独立的程序，但是因为常被放在一起使用，拥有了越来越高的兼容度，共同组成了一个强大的Web应用程序平台。

Multi-View_Subspace_Clustering_ICCV_2015_paper.pdf

Multi-view Graph Learning.pdf