已经提出了许多用于红外小目标检测的最新技术。 它们在具有均一背景和高对比度目标的图像上效果很好。 然而，当面对高度异质的背景时，它们将不能很好地工作，主要是由于：1）存在强边缘和其他干扰组件，2）没有充分利用先验条件。 受此启发，我们提出了一种同时利用本地先验和非本地先验的新颖方法。 首先，我们采用新的红外补丁张量（IPT）模型来表示图像并保留其空间相关性。 利用目标稀疏先验和背景非局部自相关先验，将目标背景分离建模为鲁棒的低秩张量恢复问题。此外，借助结构张量和权重思想，我们设计了一种局部局部自适应和稀疏性增强权重来代替全局常数加权参数。 根据目标检测的实际情况，可以通过元素重加权的高阶稳健主成分分析以及附加的收敛条件来实现分解。广泛的实验表明，我们的模型优于其他最新技术，特别是对于图像质量非常高的图像昏暗的目标和沉重的杂物。

假新闻挑战 这是NLP课程的最终项目。 我们的工作包括以下几个部分： 数据预处理 常规机器学习方法 Seq2seq注意模型 TextCNN和暹罗网络 其他（例如比赛中的相关工作，未来的工作） 1.数据预处理 我们提供了几种数据预处理方法：BoW（单词袋），TF-IDF，word2vec，doc2vec。 每个py文件都会生成x_1（文档表示形式）x_2（标题表示形式）和y（标签）。 这些数据可以作为间谍数据输出，可以在模型中使用。 2.常规机器学习 我们提供py文件以通过常规机器学习（例如SVM，随机森林）对实例进行分类，代码在sklearn上实现。 环境要求：sklearn numpy 3. Seq2seq注意模型 这些代码通常基于一个带有预训练模型的基于注意力的序列到序列模型（ ）。 要使用代码生成文本摘要。 运行：python3 run_summarization.py -

NER_CRF_Model：使用条件随机字段的命名实体识别

用ABAQUS的用户子程序DFLUX定义了高斯热源，UMATHT子程序演化材料的热性质，可以用于模拟焊接模型，增材制造等

离散控制Matlab代码约束模型预测控制综合 约束模型预测控制综合是一种尝试实现论文Lu，J.，D. Li和Y. Xi（2013）中提出的思想的尝试。 “不确定的离散时间马尔可夫跳跃线性系统的约束模型预测控制综合。” IET控制理论与应用7（5）：707-719。 看 。 提供了可与或结合使用的matlab代码。 假定所有必需的软件包都已安装在MATLAB环境中。 如果不是，则必须安装它们，在主脚本中取消注释几行，并相应地进行更改。 MATLAB mfiles 主要脚本 主脚本是文件“ Example_Constrained”。 只需在提示符后键入名称，脚本将负责运行本文中给出的示例。 请记住在调用之前为yalmip，sedumi或mosek设置路径。 在脚本中，您将找到以下几行： addpath（genpath（'〜/ Documents / MATLAB / yalmip'）） addpath（genpath（'〜/ Documents / MATLAB / cvx / sedumi'）） addpath（genpath（'〜/ Documents / MATLAB / cvx /

Inside the C++ Object Model， 高清英文版PDF 对于深入理解C++中对象的底层实现技术很有帮助，适合深入理解，不太适合作为入门材料

CLM 使用 OpenCV 在 C/C++ 中实现 CLM（约束局部模型）

模拟 SOA 的增益和自发发射特性

粗体信号MATLAB代码层流_BOLD_model Havlicek, M. & Uludag, K. (2019) A dynamical model of the laminar BOLD response, NeuroImage, doi: 10.1016/j.neuroimage.2019.116209 中描述的层流 BOLD 响应 (LBR) 模型的 Matlab 代码。 用 Matlab R2015b 测试。 作者：Martin Havlicek，马斯特里赫特大学 () 主要文件： LBR_model.m - 包含层流 BOLD 信号模型的主函数（包括两个如何生成稳态和动态响应的简单示例）。 LBR_parameters.m - LBR 模型的支持函数，包含模型所有参数的结构。 此函数的输出是 LBR_model 的第一个输入。 附加文件： Neuronal_NVC_model.m - 模拟神经元和血流响应的模型，在模拟动态响应的情况下，可用作 LBR_model 的驱动输入。 Neuronal_NVC_parameters.m - 神经元_NVC_model 的支持函数，

chineseocr model part3-1， 因为最大上传不能超过1g，所以将模型分为3部分上传