研究遥感和GIS不确定性方面的经典论文集，非常适合相关研究人员参考

DOTA-DOAI 抽象的 这个repo是我们团队参加DOTA相关比赛的代码库，包括旋转和水平检测。 我们主要使用基于的两阶段检测器，由和完成。 我们还推荐了一个基于张量流的，由领导。 表现 DOTA1.0（任务1） 模型 骨干 训练数据 数值数据 地图 模型链接 技巧 lr schd 数据增强 图形处理器 图像/GPU 配置 FPN ResNet152_v1d (600,800,1024)->MS DOTA1.0 trainval DOTA1.0测试 78.99 全部 2x 是的 2X GeForce RTX 2080 Ti 1 cfgs_dota1.0_res152_v1.py DOTA1.0（任务2） 模型 骨干 训练数据 数值数据 地图 模型链接 技巧 lr schd 数据增强 图形处理器 图像/GPU 配置 FPN（内存消耗） ResNet152_v1

压缩感知相关参数、重构的方法等代码，具体说明如下 Measurement matrixs ：存有多种测量矩阵的实现代码 Reconstruction algorithms ：存有多种重构算法的实现，包括最经典的 OMP、SAMP 等方法 Refactoring articles ：保存了 CS 中多种重构算法的解释文件 Some examples ：CS的实验案例 Sparse basis ：保存了典型稀疏基的实现代码 注意：此中代码多为 .m 文件，且每个路径中都有相关的txt文件说明各自所实现的内容！

b-样条配准matlab代码运动估计-压缩传感-MRI 该存储库包含JFPJ Abascal、P Montesinos、E Marinetto、J Pascau、M Desco论文中介绍的基于 B 样条的压缩感知 (SPLICS) 方法的 MATLAB 代码。 小动物研究中自门控心脏电影 MRI 的总变异与基于运动估计的压缩感知方法的比较。 PLOS ONE 9(10): e110594, 2014. DOI: SPLICS 通过将连续帧之间的运动建模到重建框架中来概括时空总变化 (ST-TV)。 使用基于分层 B 样条的非刚性配准方法估计运动。 SPLICS 解决了以下问题 其中第一项对应于 TV，T 是时间稀疏算子，F 是傅立叶变换，u 是重构图像，f 是欠采样数据。 使用 Split Bregman 公式可以有效地解决优化问题。 这个演示 此演示在心脏电影 MRI 数据上比较 TV、时空 TV 和 SPLICS。 此版本的 SPLICS 包括两个步骤：i) 根据先前的重建（在此示例中由 TV 给出的图像）估计运动，以构建编码运动的稀疏时间算子，ii) 考虑先前估计的运动算子的图像

Dror Baron等在其名为“Distributed Compressed Sensing”指出具有相关信息的多个观测源采用联合重构算法可以获取更好的重构效果，当观测源足够多时，甚至只需要K+1观测次数就可以完全重构出原信号。文献中提出了两种算法OSGA（One-Step Greedy Algorithm）和SOMP（Simultaneous Orthogonal Matching Pursuit）。

目前的通信频点越来越高， 而相对应的模数转换器以及数字信号处理等硬 件处理技术远远没有达到高频通信接收技术的要求。 这一定程度上限制了高频 通信的发展， 因为按照传统 Nyquist 采样的话， 通信接收机的成本将是巨大的。 压缩感知(Compressed Sensing,CS)技术有效地打破了传统 Nyquist 采样的限制， 而调制宽带转换器(Modulated Wideband Converter,MWC)的出现则真正在模拟 域欠采样实现了重大突破。

matlab精度检验代码1.网络 审查： 很棒的项目 cosmiq Radiant MLHub开放库，用于地球观测机器学习。 [] 2.图像分类 数据集 每班图片 场景类 图片总数 空间分辨率（m） 图片大小 年 UC Merced土地使用 100 21岁 2100 0.3 256×256 2010年 WHU-RS19 〜50 19 1005 最高0.5 600×600 2010年 RSSCN7 400 7 2800 -- 400×400 2015年 RSC11 〜100 11 1232 0.2 512×512 2016年 西里湖 200 12 2400 2个 200×200 2016年 援助 200〜400 30 10000 0.5〜0.8 600×600 2017年 欧洲卫星 2000 2500 3000 10 27000 -- 64×64 2017年 NWPU-RESISC45 700 45 31500 〜30至0.2 256×256 2017年 模式网 800 38 30400 0.062〜4.693 256×256 2017年 RSI-CB RSI-CB128（〜800） R

A Mathematical Introduction to Compressive Sensing Springer 2013 Authors:Simon Foucart, Holger Rauhut

认知无线电频谱感知方法和程序 希望对大家有用谢谢

matlab代码求含参量矩阵特征值统计压缩感知 基于贝叶斯统计实现压缩感知。 给定的 地图估计 我们找到给定y 、 Φ和Σ的x的最大后验 (MAP) 估计。 首先，我们使用贝叶斯定理 取导数找到 MAP 估计的封闭形式 使用 Woodbury 矩阵 Identity 优化逆计算 MAP估计的最终封闭形式 生成协方差矩阵 (Σ) 假设：协方差矩阵的第i个特征值的形式为：对于所有i s， i - α 。 选择一个大小为n x n的随机正交矩阵U。 定义大小为n x n的对角矩阵D ，其中对角线项为i - α 。 协方差矩阵， Σ定义为UDU' 。 实验 我们试验了两个α值：0、3。 对于每个α ，我们生成nexp n维向量 ( x s )。 我们选择一组m 。 对于每个m ，我们生成一个大小为m x n的随机传感矩阵Φ ，其条目来自 iid Gaussian ，均值为 0，方差为 1/ m 。 我们使用它来生成测量信号y ( Φx )。 我们添加 σ 为测量信号平均值的 0.01 倍的高斯噪声。 我们使用上面推导出的 MAP 估计公式重建x并计算相对均方根误差（Relative RMSE）