它只使用矩阵乘积，并且可以快速计算 GLCM。 在 1.x 版本中只有两个循环。 为了获得更好的遗产，您可以使用可选变量 xFeature 来决定要使用哪个 Haralick 特征。 Haralick的所有功能均取自原始论文。 有关更多信息，请参阅 ( http://haralick.org/journals/TexturalFeatures.pdf )。

传统目标检测模型采用人工设计的目标特征，造成检测精度较差。基于深度学习的目标检测模型具有较高的检测精度，然而针对实时性和精度要求比较高的煤矿救援机器人应用场合，获取的图像信息较少且目标特征不明显，造成目标检测效果较差。为提高目标检测精度和速度，基于YOLO V3模型提出了一种多尺度特征融合的煤矿救援机器人目标检测模型。该模型主要包括特征提取和特征融合2个模块：特征提取模块采用空洞瓶颈和多尺度卷积获得更加丰富的图像特征信息，增强目标特征表达能力，提高了目标分类精度和检测速度；特征融合模块在特征金字塔中引入空间注意力机制，对含有丰富语义信息的高层特征图和含有丰富位置信息的低层特征图进行有效融合，弥补了高层特征图位置信息表达能力不足的缺点，提高了目标定位精度。将该模型部署在煤矿救援机器人嵌入式NVIDIA Jetson TX2平台上进行灾后环境目标检测实验，检测精度为88.73%，检测速度为28帧/s，满足煤矿救援机器人目标检测的实时性和精度需求。

对于低地球轨道（LEO）空间物体的逆合成Kong径雷达（ISAR）成像，检查整个可见弧周期内物体图像平面中的变化可以更直接地表征物体成像中的变化。 在这项研究中，扩展了理想的转盘模型来确定近圆形LEO物体的观测几何形状。 将两个近似值应用于观测模型，以计算近圆形轨道物体的像面法线和观测角。 一种近似方法是在雷达观测期间将空间物体的轨道视为相对于地球的标准弧，另一种方法忽略了地球自转对观测的影响。 首先，基于几何模型确定了各种姿态稳定方法中像平面法线的闭合形式解。 然后，根据雷达视线（LOS）的共同约束条件，分析了像平面的特性和近圆形轨道物体的观察角。 随后，对ISAR成像的像面变化和几何约束进行了量化。 根据像平面的法线，估计雷达LOS的旋转角速度。 然后校准ISAR图像的跨范围方向。 然后基于双站干涉仪重建三维成像。 最后，进行了仿真以验证三维干涉重建的结果并计算重建的精度误差。

一、按输入信号的特征分类 恒值控制系统（恒值调节系统，自动调节系统） 程序控制系统 随动系统（伺服系统） 二、按描述元件的动态方程分类 线性系统 非线性系统 三、按信号的传递是否连续分类 连续系统 离散系统 四、按系统的参数是否随时间而变化分类 定常系统 时变系统 第四节 自动控制系统的分类

第一个代码“vijay_ti_1”将提取图像中每个关键点的 SIFT 关键点和描述符向量。 对于此代码，只需要一张输入图像，在执行完整的 SIFT 算法后，它将生成关键点、关键点位置及其方向和描述符向量。 第二个代码 'vijay_ti_2' 将首先生成原始图像的关键点，然后要求用户选择是否要增加图像强度或减少它或更改 sigma(scale) 的值或是否要旋转图像。 因此，转换后的图像将作为第二张图像并计算其关键点和描述符。在最后一步，此代码将给出这两个图像之间匹配的关键点数及其在命令窗口中的百分比。

针对心肌梗死（myocardial infarction，MI）12导联高频心电信号（high frequency electrocardiogram，HF-ECG）全局特征聚类问题，提出了一种计算机自动聚类算法。收集MIT-BIH标准心电数据库中的健康心电信号、早期心肌梗死心电信号、急性期心肌梗死心电信号、近期心肌梗死心电信号进行处理。应用二维主分量判别法（two dimensional principal component analysis，2D-PCA）对12导联HF-ECG进行融合特征提取，并应用基于均方差属性加权的遗传模拟退火K-means改进聚类算法。与常规K-means聚类算法相比，特征值更加简单直观，所提算法平均分类精度有较大提高，能对12导联HF-ECG进行更有效的聚类。

Macro F1 and Macro F1是2019年的一篇关于两种宏观F1-score的计算方式的详细讲解。

利用pytorch实现图像分类的一个完整的代码，训练，预测，TTA，模型融合，模型部署，cnn提取特征，svm或者随机森林等进行分类，模型蒸馏，一个完整的代码。 实现功能： 基础功能利用pytorch实现图像分类 包含带有warmup的cosine学习率调整 warmup的step学习率优调整 多模型融合预测，加权与投票融合 利用flask + redis实现模型云端api部署（tag v1） c++ libtorch的模型部署 使用tta测试时增强进行预测（tag v1） 添加label smooth的pytorch实现（标签平滑）（tag v1） 添加使用cnn提取特征，并使用SVM，RF，MLP，KNN等分类器进行分类（tag v1）。 可视化特征层。 转载：https://github.com/lxztju/pytorch_classification

深度学习在人脸识别的研究和应用中取得一定成效,但因计算量大且耗时,不适用于小型嵌入式设备。基于融合梯度特征的轻量级卷积神经网络SqueezeNet提取人脸特征,既能保证该网络模型适用于内存相对小的嵌入式设备,又能保证获得的人脸特征对不同光照更具鲁棒性。实验结果表明,将8×8分块图像中提取的一阶梯度特征,与轻量级卷积神经网络提取的全局特征相融合的人脸识别算法,在LFW数据集中识别率可达97.28%,较传统轻量级卷积神经网络的人脸识别方法,识别率提高了4.36%。

这个包的目的是实现基于 PCA 的人脸识别（Eigenfaces 技术）。 使用的人脸数据集是 ORL AT&T 剑桥实验室 ( www.cl.cam.ac.uk/Research/DTG/attarchive:pub/data/att_faces.zip )。 此数据集以 mat 格式 (ORL_FaceDataSet) 附在此处。 在这方面，该软件包可作为学生和研究的实践指南，脚本中提供了许多详细信息。