空域金字塔完整的MATLAB代码，非常好用，结果很好

matlab精度检验代码场景分类的空间金字塔匹配 在MATLAB中实现 该项目针对计算机视觉和图像处理类CSE573完成，所有必需的说明均包含在说明pdf文件中。 该系统使用“词袋”方法及其“空间金字塔扩展”将给定图像分类为8种场景。 以下是一些关键点： 该系统已使用来自8个场景的1600幅图像进行了训练，这些场景分别是art_gallery，computer_room，garden，ice_scating，library，mountain，ocean，ocean_court。 在总共160张测试图像中，它具有48.125％的正确分类图像的总体准确度。 整个实现代码在MATLAB文件夹中。 测试和培训数据位于数据文件夹中。

基于Python2.7的Windows环境下pyramid配置步骤.doc

matlab高斯金字塔代码高斯金字塔_拉普拉斯金字塔_FFT 用于生成5个级别的高斯金字塔和拉普拉斯金字塔的Python代码，并将这些图像连接起来以显示金字塔。 当前，在OpenCV中没有可用的功能以这种方式显示金字塔图像（尽管可在MATLAB中使用）。 可能不是最优雅的方法，但是可以完成工作。 可以轻松改进。 该代码还为图像生成2D FFT，以进行空间频率分析

Deep text matching 1、前言 Github 上面有很多文本匹配项目，本项目工作主要借鉴了 和 ，模型的代码风格来自前者。另外模型是使用 keras 深度学习框架进行复现的，主要也是使用的前者的复现代码，只是增加了个别模型的复现，也去除了一些我觉得不太重要的模型；另外，由于本项目只是实验层面探索，所以将 matchzoo 源码中一些和模型无关的很多代码进行了删减，同时对部分模型的结构进行了细微的调整，没有完全遵从论文里的设置。 我使用这些模型在2018年蚂蚁金服的文本匹配竞赛数据集（数据集来自text matching 上传，因此数据的预处理代码也使用的该项目的代码）上进行了一些实验，另外我借鉴了 项目的代码测试了几个 bert 系列模型（bert 及其变体）。由于训练集、验证集、测试集中的正负样本比例都是1:1，因此我使用了准确率这一评价指标来衡量了这些模型的性能，结果

cvpr2019_金字塔特征注意网络以进行显着性检测 赵婷和吴相干撰写的CVPR 2019论文“用于显着性检测的金字塔特征注意网络”的源代码。 （ ） 下载显着性地图 为了方便起见，我们提供了本文中使用的基准数据集的显着性图。 Google： 百度：提取：9yt5 设置 安装依赖项： Tensorflow (-gpu) Keras numpy opencv-python matplotlib 用法： train: python train.py --train_file=train_pair.txt --model_weights=model/vgg16_no_top.h5 test: jupyter notebook run dome.ipynb 结果 如果您认为这项工作有帮助，请引用 @inproceedings{zhao2019pyrami

Salient Object Detection with Pyramid Attention and Salient Edges-附件资源

显著性检测组会汇报ppt，主要讲解了将金字塔特征注意力网络用于显著性检测的方法，网络结构，实验等内容。

c# opnegl　绘制立方体(cube)、金字塔(pyramid)、圆柱体(cylinder)、球体(spere)　旋转(rotate)　网格(grid) 代码逻辑清晰，技巧性强

局部二进制模式（LBP）是一种有效的纹理描述符，在纹理分类和面部识别中具有成功的应用。 常规LBP描述符有许多扩展。 扩展之一是主要局部二进制图案，其目的是提取纹理图像中的主要局部结构。 第二个扩展表示Gabor变换域（LGBP）中的LBP描述符。 第三个扩展是多分辨率LBP（MLBP）。 另一个扩展是用于视频纹理提取的动态LBP。 在本文中，我们将传统的本地二进制模式扩展到金字塔变换域（PLBP）。 通过级联分层空间金字塔的LBP信息，PLBP描述符考虑了纹理分辨率的变化。 PLBP描述符显示了其在纹理表示方面的有效性。 对LBP，MLBP，LGBP和PLBP进行了全面比较。 比较了无采样，部分采样和空间金字塔采样方法构建PLBP纹理描述符的性能。 讨论了金字塔生成方法和金字塔级别对基于PLBP的图像分类性能的影响。 与现有的多分辨率LBP描述符相比，PLBP具有令人满意的性能和较低的计算成本。