不使用库函数的线性卷积。代码是自描述的

一篇关于卷积自编码的论文，写的非常好，此处上传仅仅是为了通过我博客想下载的朋友。

刚刚完成了卷积计算的2维方法,并修改了上次发的1维方法 所有方法都用MATLAB进行验证,计算结果相同.

PyTorch中的Deformable-ConvNets-V2 此存储库是的实现。 从原始移植。 有关完整框架，请参考此。 在可以找到基于mmdetection代码库的DCNv2的结果。 非常感谢强大而干净的框架。 master分支中的运算符与pytorch_v0.4.1兼容。 对于pytorch v1.0.0（由Jiajiai 实现）上的运算符，请参阅。 多亏了和mmlab的其他贡献者，DCNv2现在已基于该分支的主分支纳入正式的mmdetection回购中。 现在，它是使用新的cpp扩展api编写的，并且支持PyTorch 0.4.1和1.0，但速度和内存优化较小。 结果和模型可以在找到。 建造 sh make.sh 有关用法示例，请参见test.py和test_modulated.py 。 注意 此仓库提供了可变形的conv层，该层可在Deformable ConvNets

针对水质污染的环境综合监测问题，提出了一种基于卡尔曼滤波和卷积神经网络的水质异常监测方法。 该方法采用Mask R-CNN图像分割方法对鱼进行分割，制作出鱼骨干和背景图像的正样本数据集和负样本数据集，并利用卷积神经网络训练数据集获得模型。 在跟踪过程中，使用RANSAC算法筛选SIFT特征，使用匹配和卡尔曼滤波器跟踪鱼并实时绘制运动轨迹。 每3秒保存一次运动轨迹，总共获得150000个正常和异常水质样本。 实验结果表明，基于卡尔曼滤波和卷积神经网络的水质异常识别率为98.5％，优于传统的水质识别方法。

Dynamic Convolution: Attention over Convolution Kernels (CVPR-2020) paper: 非官方实现代码 Pytorch!!!Pytorch!!!Pytorch!!! Dynamic 3d/2d convolution and some models' accuracy. 2020/8/30 Basic dynamic 2d and 3d convolution done. Next:some basic models and accuracy rate. 代码实现的原理 如果遇到一些问题，可先查看Issue里面的一些修改。 dy_vgg11:0.9033 raw_vgg11:0.8929

Image_Convolution_CUDA CUDA中的2D图像卷积通过使用共享和恒定内存进行。

Savitzky-Golay算法实现论文，介绍算法（General Least-Squares Smoothing and Differentiation by the Convolution (Savitzky-Golay) Method）

这是一个基于tensorflow的简单的卷及神经网络，使用MNIST数据集进行手写数字识别。网络为FCN，即全卷积神经网络，总共有四层。前两层same padding，最大池化，后两层进行1x1的卷积。使用softmax输出结果，误差为交叉熵。最终在测试集上准确率在99%左右

使用 MPI 将卷积滤波器并行应用于图像 该项目是为大学课程并行系统开发的，作为对使用消息传递接口 (MPI) 和 OpenMP API 的并行计算的介绍。 卷积滤波器 在图像处理中，卷积滤波器（也称为内核、卷积矩阵或掩码）用于通过应用模糊、锐化、浮雕、边缘检测等效果来变换图像。 在给定输入图像和卷积矩阵的情况下，计算围绕计算输出图像的每个像素的值。 为什么要平行 第i 个输出像素的值的计算基于输入像素i及其周围像素的值。 这表明我们应该利用所需计算的局部性。 实际上，如果滤波器是一个3x3矩阵，为了计算原始图像的矩形（ NxM ）部分的输出值，只需要相邻像素，即上边的2x(N+2)和较低的行加上2x(M+2)用于右列和左列。 由于问题的这种性质，并行方法是一个很好的候选者。