本资源为博客【python数据分析】详解疫情数据地图可视化步骤一文中的数据来源，供学习参考时候，属于中国县级地图的json数据格式

matlab人头检测的代码ArCO 免责声明 分发该程序是希望它会有用，但是没有任何保证； 甚至没有对适销性或特定用途适用性的暗示保证。 随意将此代码用于学术目的。 请使用下面提供的引用。 该代码的测试部分在Matlab 2009b上的Intel Xeon（R）CPU E5440 @ 2.83 GHz 8 GB RAM上，每个图像花费0.05秒。 该代码在计算上最昂贵的部分是学习阶段Y_train_light.m 表现 给定50x50的图像，此代码将执行基于补丁的头部姿势检测。 如果您有任何问题，请给我发电子邮件 数据 演示代码和图像提供 有一个完整的脚本可用于学习和测试ARCO： 下载数据。 Z_ARCO.m：这是主要脚本。 它能够在黎曼流形上学习和测试多类Logitboost分类器。 变量“ experiment”（在Z_ARCO.m中）包含存储此框架的所有预先计算的部分的路径。 为了显示该框架的一些定性结果，仅分类结果未计算。 如果要在完整的测试集上测试此框架，只需将变量“ test_dir”从“ ./QML4PoseHeads/test_demo”更改为“ ./QML4Pose

超分辨率SRDPNs张量流 tensorflow实现的超分辨率： 我基于双路径网络的超分辨率实现，但与原始网络完全不同，差异如下所示： 我修改了双路径块的结构，以加快训练速度。 我引入了瓶颈以减小尺寸并进行去卷积以恢复细节。 介绍基于VGG19的特征空间的知觉损失和克损失。 依存关系： 张量流> = 1.3.0 Scipy> = 0.18 GPU内存> 7G 用法： 首先，您需要在下载VGG19的模块以进行损耗函数计算。 然后，将下载的文件imagenet-vgg-verydeep-19.mat移到该项目的SRDPNs文件夹中。 供测试用： 打开main.py ，将数据路径更改为您的数据，例如： flags.DEFINE_string("testimg", "2.bmp", "Name of test image") 执行python main.py进行测试，结果将保存在示例

遥感信息提取，modis中低分辨率卫星，vc实现，源码

本人硕士研究生毕业 方向为低分辨率人脸识别 人肉+机器翻译 能看懂 齐全

具有MMSE接收器的低分辨率大规模MIMO系统的渐近分析

包括：生成（8,2）邻域uniform LBP直方图的映射关系函数；计算分块区域I的LBP特征，（8,2），uniform；计算分区图像I的LBP特征，3*3，uniform；下载后直接调用getMBLBPFea函数，就可得到相应的图片的LBP直方图特征

从一帧高分辨率图像生成多帧低分辨率图像。