用神经网络确定权重的matlab代码Lightricks神经风格工作室 示例：样式转移 卡特里奥娜·格雷和《女人我》，威廉·德·库宁 珍妮尔·莫奈（Janelle Monae）和《星夜》（Vincent van Gogh） 吴彦祖与《雨中女孩的油画》 金桥的风格转移 罗德里戈·杜特尔（Rodrigo Duterte）+繁星之夜风格的权重增加 示例：在保留原始颜色的同时进行样式转移 珍妮尔·莫奈（Janelle Monae）和《星夜》（Vincent van Gogh）+保留原始色彩 要求 IMPORTANT NOTE ：在Google-Colab ，可以通过运行笔记本计算机的最上方单元来安装所有数据文件和依赖项！ 查看Usage ！ 资料档案 -将其放在models/目录中 torchvision.models包含VGG19模型骨架 依存关系 用法 您将在其中运行笔记本！ Colab是一种云服务，其界面类似于Jupyter Notebook。 它使您可以免费获得加速器，例如GPU！ 取消注释并运行第一个单元，以下载演示图片和VGG19权重。 它还将安装依赖项（即PyTorch和torc

打开hj高管普数据，并且安装方便，只需加载到envi上即可。

spec-img-finesse 在他们的工作Makantasis等。 （2015年）表明，使用CNN，高光谱图像可以成功分类。 CNN可以对像素的光谱和空间特征进行编码。 特征的从低到高层次结构极大地提高了分类性能。 在我们的CNN实施中，我们使用层修剪和层压缩方法扩展和优化了它们的方法。 每个植物在电磁频谱上都有其独特的频谱“特征”，可以使用高光谱传感器捕获该特征。 将图像中的高光谱带作为特征，将每个像素作为样本，利用卷积神经网络（CNN）和支持向量机（SVM）对植物进行分类。 CNN优化有助于防止过拟合，加速推理并减少其在内存，电池和计算能力方面的资源。 Keras 2.1.5与Tensorflow 1.7.0结合使用。 使用了印度松树数据集。 使用支持多项式的SVM可以达到83.9％的测试精度，而使用CNN可以达到99.2％的测试精度。 可以在项目报告“使用高光谱图像进行植

本文对新型有机光学非线性晶体LAP的晶格振动进行了群论分析.并记录了各种几何配置下LAP单晶及其氘化物DLAP单晶在50～3700cm~(-1)范围的偏振喇曼光谱及偏振红外反射光谱.对谱图进行了识别.对LAP和DLAP单晶中NH_3~+,PO_4~(3-),COO~-基团的内振动进行了比较.实验结果表明DLAP单晶和LAP单晶具有相同的对称性.氘化使晶体的通光范围向红外方向扩展.

提出了一种基于拉曼光谱的混合物组分识别新方法。对混合物的拉曼光谱进行背景校正和去噪处理，利用Voigt函数对拉曼谱峰进行拟合，获取其谱峰的拉曼位移、半峰全宽及强度作为混合物特征参数向量，通过与数据库纯净物特征向量进行相关性分析，实现混合物组分的有效识别。构建了由18种纯净物拉曼光谱数据构成的标准组分数据库，并对6种混合物进行了组分识别实验。实验结果表明，所提方法的识别准确率达到100%。

高光谱图像分类是遥感领域的研究热点之一,是对地观测的重要手段,在地物的精细识别等领域具有重要的应用。使用卷积神经网络(CNN)可以有效地从原始图像中提取高级特征,具有较高的分类精度。但CNN计算量巨大,对硬件要求较高。为了提高模型计算效率,可以在图形处理器(GPU)上进行CNN模型的训练。现有的并行算法,比如GCN(GPU based Cube-CNN),无法充分利用GPU的并行能力,算法加速效果并不理想。为了进一步提升算法效率,提出基于通用矩阵乘法(GEMM)算法的GGCN(GPU based Cube-CNN improved by GEMM)并行加速算法,通过G-PNPE(GEMM based Parallel Neighbor Pixels Extraction)对输入数据和卷积核进行重新组织排列,实现卷积的并行计算,有效地提高了GPU的利用率并进一步提升了算法的训练效率。通过分析在三个数据集上的实验结果发现,改进算法的分类精度与原算法保持一致,而且模型的训练时间缩短了30%左右,表明算法的有效性和优越性。

GA提取特征，数据为高光谱数据，感兴趣区域数据，最后一列为标签

常用高光谱异常检测数据集abu

使用混合特征减少方法的 SVM 分类器进行高光谱图像分类 (mRMR-PCA)，简单易懂

包含：平滑处理，SNV,MSC,DOSC,DWT,NIRMAF,SAVGOL,NORMALIZ