《Channel Estimation for Gigabit Multi-user MIMO-OFDM Systems MIMO-OFDM Systems》为国外一博士论文，内附详细MATLAB代码。文章结构如下： 1 An Introduction to MIMO-OFDM Systems 3 1.1 Predicting the Emerging and Future Wireless Communications Technologies . . . . . . . . . . . . . . . . .. . . . . . . . . . . 4 1.2 Chapter Summary . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3 The MIMO-OFDM System Model . . . . . . . . . . . . . . . . . 9 1.4 The MIMO-OFDM Air Interface . . . . . . . . . . . . . . . . . 13 1.4.1 IQ Constellation Mapping . . . . . . . . . . . . . . . . . 13 1.4.2 Digital multitone/multi-carrier modulation . . . . . . . . 17 1.4.3 Maximum Likelihood Detection . . . . . . . . . . . . . . 19 1.5 The MIMO-OFDM Mapping/De-mapping Function . . . . . . . 23 1.5.1 Space-Frequency Coding . . . . . . . . . . . . . . . . . . 24 1.5.2 Spatial Multiplexing . . . . . . . . . . . . . . . . . . . . 27 1.6 Multi-user MIMO-OFDM . . . . . . . . . . . . . . . . . . . . . 29 1.7 Research Objectives of the Thesis . . . . . . . . . . . . . . .31 2 The Wireless Channel 33 2.1 Multipath Propagation . . . . . . . . . . . . . . . . . . . . 35 2.2 Tapped-Delay-Line System Model . . . . . . . . . . . . . . . . 37 2.2.1 Statistical Model of a Multipath Channel . . . . . . . . . 41 2.2.2 Bandlimited transmission . . . . . . . . . . . . . . . . . 45 2.2.3 Rayleigh Fading Channels . . . . . . . . . . . . . . . . . 48 2.3 Saleh-Valenzuela channel Model . . . . . . . . . . . . . . . . 50 2.4 Correlation of the channel gain parameters of MIMO antennas . 55 2.5 Chapter Summary . . . . . . . . . . . . . . . . . . . . . . . 57 3 Coherent Detection for MIMO-OFDM Systems 61 3.1 OFDM Equalization . . . . . . . . . . . . . . . . . . . . . . 62 3.2 SISO-OFDM Channel Estimation . . . . . . . . . . . . . . . . . 68 3.2.1 One Dimensional Channel Estimation . . . . . . . . . . . 70 3.2.2 Two Dimensional Channel estimation . . . . . . . . . . . 73 3.3 MIMO-OFDM Channel Estimation . . . . . . . . . . . . . . . . 77 3.3

本文（以及随附的 MATLAB 源代码）回顾了用于视频压缩中运动估计的块匹配算法。 它实现并比较了 7 种不同类型的块匹配算法，从非常基本的穷举搜索到最近的快速自适应算法，如自适应 Rood 模式搜索。 本文评估的算法已被视频压缩社区广泛接受，并已用于实现各种标准，从 MPEG1/H.261 到 MPEG4/H.263。 该论文还非常简要地介绍了视频压缩的整个流程。 请先阅读README.txt。

matlab图像矩阵拼接代码 单应性和基本矩阵估计 项目总结 该项目演示了在同对从同一摄像机在相同位置但沿摄像机轴旋转的位置上拍摄的图像进行拼接的过程中，如何应用同构矩阵的实现方法和结果。 支持多种图像拼接。 该项目演示了在同对从同一相机在同一位置但沿相机轴旋转的位置拍摄的图像进行拼接的过程中，如何应用同形术矩阵的实现方法和结果。 随附的报告讨论了从对象的2D坐标估计3D坐标的情况，该对象的立体图像是由两台使用Epipolar Geometry和Fundamental Matrix的相机拍摄的。 在第一部分中，使用成对的两个连续拍摄的同一对象的图像对，通过使用在两个图像上检测到的关键点特征并应用RANSAC算法来获得线形来估计单应矩阵。 然后，将同构矩阵用于拼接两个图像以生成全景图。 在项目的第二部分中，我们使用第一部分中生成的地面真点和内在点生成一对图像的基本矩阵。 我们使用归一化和非归一化方法来生成矩阵。 我们还比较了两种方法的结果。 稍后，我们还使用Triangulation方法对图像对中对象的3-D坐标进行近似。 所有编码均已在MATLAB环境中完成，并且适当的参考已在报告中突

带板检测的车辆速度估算 该项目的主要目标是使用深度学习和机器学习算法来识别超速车辆。 从视频中获取一系列图像后，使用Haar Cascade分类器检测卡车。 使用大量正负图像训练分类器模型，以制作XML文件。 接下来是跟踪车辆并借助其各自的位置，ppm（每米像素）和fps（每秒帧）来估计车辆的速度。 现在，已识别卡车的裁剪图像将被发送以进行车牌检测。 CCA（连接组件分析）有助于进行车牌检测和字符分割。 使用字符图像（20X20）对SVC模型进行训练，并且为了提高准确性，还完成了4次交叉折叠验证（机器学习）。 该模型有助于识别分段字符。 识别后，将卡车的计算出的速度及其车牌号一起输入到excel表中。 还为这些卡车分配了一些ID，以生成系统化的数据库。 要运行Speed_Detection _＆_ License_Plate_Detection.py，请按照以下步骤操作： 从此站点下载

计算机视觉Github开源论文 PITFALLS OF IN-DOMAIN UNCERTAINTY ESTIMATION AND ENSEMBLING IN DEEP LEARNING

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

我们已经更改了存储库，现在可以在找到PackNet-SfM

RCE Rapid Centroid Estimation (RCE) clustering (2014)：一种使用粒子群的半随机轻量级聚类算法。 示例用法： % 使用 Iris Dataset 的算法运行示例 清除所有关闭所有; % 加载虹膜数据集加载 iris_dataset X = 虹膜输入； N = size(irisInputs,2); % 将模糊器常数设置为 1.4 米 = 1.4; % 使用 80% 的重采样率和马氏距离优化群swarm = RCE(X, 3, 'distance','mahalanobis','fuzzifier',m, 'display','text', ... 'swarm',6, 'subsprob',0.03, 'maxiter',100,'resampling_rate',0.8,'calculate_labels', false);

RealSR 通过内核估计和噪声注入实现真实世界的超分辨率 纪小中，曹云，泰英，王成杰，李吉林和黄飞跃 腾讯优途实验室 我们的解决方案在两个赛道上均获得了CVPR NTIRE 2020真实世界超高分辨率挑战赛的冠军。 （官方PyTorch实施） 更新-2020年9月2日 培训代码可从 更新-2020年5月26日 添加模型。 提供了基于。在Windows / Linux / macos上测试您自己的图像。有关更多详细信息，请参见 用法./realsr-ncnn-vulkan -i in.jpg -o out.png -x使用合奏 -g 0选择GPU ID。 介绍 不管模糊和噪点如何，最新的最新超分辨率方法在理想数据集上均实现了令人印象深刻的性能。但是，这些方法在现实世界中的图像超分辨率中始终会失败，因为它们大多数都从高质量图像中采用简单的三次三次向下采样来构造低分辨率（LR）和高分辨率（

Tensorflow 2.0实时多人姿势估计 什么是新的 2020年10月5日 将模型转换为新的 在Mobilenet V3基础上添加了一个新的openpose模型。 添加了对库依赖 标记为“ v1.0”的旧代码可用。 此存储库包含keras_Realtime_Multi-Person_Pose_Estimation项目的新升级版本，以及一些其他脚本和新模型。 我在Tensorboard中添加了最终热图和paf的可视化。 每100次迭代，会将一张图像传递给模型。 预测的热图和paf记录在Tensorboard中。 您可以每隔几个小时检查一次直观的预测显示，因为它可以很好地了解训练的执行情况。 脚本和笔记本 该项目包含以下脚本和jupyter笔记本： train_singlenet_mobilenetv3.py-本文提出的用于新模型的训练代码，。 我用Mobilenet V3替换了VGG。 简化模型，只有3 pafs和1热图。 train_2br_vgg.py-旧的CMU模型的训练代码（2017）。 这是旧仓库keras_Realtime_Multi-Person_Pose_E