智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

Tensorflow实施论文“快速，准确的超高分辨率的深拉普拉斯金字塔网络”（CVPR 2017） 这是使用TensorLayer的Tensorflow实现。 原始论文和使用MatConNet的实现可以在他们的上找到。 环境 使用python 3.6和cuda 8.0对实现进行了测试。 下载资料库： $ git clone https://github.com/zjuela/LapSRN-tensorflow.git 火车模型 在config.py文件中指定数据集路径并运行： $ python main.py 使用挑战数据集对预训练模型进行训练。 测试 使用您的测试图像运行： $ python main.py -m test -f TESTIMAGE 结果可以在文件夹./samples/中找到

针对雾天图像存在信息丢失、区域不清晰以及雾气遮挡等问题,提出了一种基于双边滤波的高斯金字塔变换Retinex图像增强算法,以提高雾天图像的对比度。首先,基于空间域核函数和像素差,建立了改进的双边滤波函数数学模型。然后,将输入图像转换为HSI(Hue,Saturation,Intensity)图像,用改进的双边滤波函数代替原算法中的高斯函数,从亮度图像(I色彩空间)中提取反射分量,以获得保持边缘且不受亮度影响的反射图像。最后,通过高斯金字塔降采样,获取不同尺度的彩色图像,用改进的Retinex算法对多种尺度的图像进行增强,并基于高斯-拉普拉斯算法进行降采样重构,以提高图像的对比度。实验结果表明,本算法能有效增强图像的对比度,且处理后的图像色彩符合人眼观测效果。

总结了经典光流法的计算，同时结合着调研的几个最新的光流法的变体，进行了分析和介绍

GDAL是遥感数据的IO处理库，可以读写erdas img、GeoTiff等多种文件格式。本文通过建立金字塔读取大数据量的文件

scratch算法题，金字塔三角形

本文复现的是是发表在ICCV 2017的工作《Learning Feature Pyramids for Human Pose Estimation》，论文提出了一个新的特征金字塔模块，在卷积网络中学习特征金字塔，并修正了现有的网络参数初始化方法，在人体姿态估计和图像分类中都取得了很好的效果。

加法器MATLAB代码用于全卷积网络的 Atrous 空间金字塔池的 SoC 实现 队号 xohw19-188 项目名 用于全卷积网络的 Atrous 空间金字塔池的 SoC 实现 日期 2019 年 6 月 27 日。 上传档案的版本 1 大学名称 卡拉布里亚大学 信息学、建模、电子和系统工程系 主管姓名 斯蒂芬妮娅·佩里 主管邮箱 参与者 克里斯蒂安·塞斯蒂托 电子邮件 使用的板 Digilent ZedBoard Zynq-7000 ARM/FPGA SoC 开发板 Vivado 版本 2017.4 项目简述 此设计提供了一种新颖的 IP 核，该核采用 Atrous 空间金字塔池化方法，以更好地执行用于深度学习目的的语义图像分割。 通过以不同的速率应用扩张卷积，研究人员已经表明，这种策略可以更好地管理视野，并能够更好地识别多个尺度的物体。 通过利用 FPGA 的并行化能力，联合执行多个扩张卷积和全局平均池化。 通过使用 ZedBoard，整个系统允许内核和 DDR 之间通过 DMA 进行通信； 这些测试旨在通过​​将组件提供并存储在 DDR 中的结果与模拟其行为的 MATLAB

由于相机和显示设备的动态范围远小于人眼可识别的动态范围，相机获取到的图像往往不能兼顾亮部细节与暗部细节。多曝光图像融合可以解决上述问题，但目前该方法大多基于相机与目标场景相对静止的前提。文中通过结合图像配准和图像融合，实现一个可以处理运动相机拍摄的多曝光图像的融合系统。首先，配准模块提取SURF特征点，进行欧式距离粗匹配；其次，配准模块利用RANSAC算法进行精匹配，提取变换模型参数并进行投影变换以矫正图像；最后，融合模块利用金字塔融合法融合已配准图像。实验结果表明该系统可有效矫正图像空间位置偏差，扩大图像的动态范围，提高图像质量。

用分治法，动态规划求最佳路径，解决的是金字塔钻石矿工的问题，是自己写的作业代码