通过数据驱动的节点采样提高GraphSAGE 作者： （ ， ）， （ ）， （ ） 发表在2019 ICLR研讨会表示学习上图和流形。 概述 作为一种高效且可扩展的图神经网络，GraphSAGE通过归纳二次采样的局部邻域并以小批量梯度下降的方式进行学习，已启用了归纳能力来推断看不见的节点或图。 GraphSAGE中使用的邻域采样有效地提高了并行推断一批不同程度的目标节点时的计算和存储效率。 尽管有此优势，但默认的统一采样在训练和推理上仍存在较大差异，从而导致次优准确性。 我们提出了一种新的数据驱动的采样方法，以通过非线性回归来推断邻域的实际值重要性，并使用该值作为对邻域进行二次采样的标准。 使用基于值的强化学习来学习回归者。 从GraphSAGE的负分类损失输出中归纳地提取了顶点和邻域的每种组合的隐含重要性。 结果，在使用三个数据集的归纳节点分类基准中，我们的方法使用统一

非均匀采样系统的实现可以包括两个方面： 　　（1）对信号进行非均匀采样得到非均匀采样信号； 　　（2）进行非均匀采样算法处理。 　　前一个方面主要是硬件实现的问题，即如何在硬件上实现对信号的非均匀采样，后一个方面主要是选择合适的处理算法，以便对信号进行适当的处理，得到所需的结果。 　　从一般意义上来看，信号的每个采样点需要两个量来代表：采样值大小和采样时间。对于均匀采样，由于任何两个采样点的间隔都是相等的，因此，均匀采样只需要记录采样值和标记采样点的顺序即可。但是，对于非均匀采样，由于采样点的间隔是不相等的，因此，非均匀采样除了要记录采样值大小以外，还需要记录采样时间。在实际实现中，非

FPGA采用tlc5540采样的示波器设计的verilog代码工程，可直接综合下载至FPGA的芯片中。

在这个程序中，还计算了 MSE、步长、比特率、量化噪声

使用过采样提高STM32F101xx和STM32F103xx的ADC分辨率

具有多个失效区域的SRAM良率分析的重要边界采样

本文重点介绍利用含有3个ADC模块的STM32F4、STM32F7等系列,以满足多个ADC模块同时工作的需要。

本文提出了一种基于非下采样Contourlet变换与非线性各向异性扩散的方法进行含噪图像的去噪和增强。首先对含噪图像进行非下采样Contourlet分解，对每个分解层的各个子带进行非线性收缩和拉伸，以达到抑制噪声和增强图像特征的目的。然后，对去噪增强后图像的Contourlet小系数进行空间域的非线性各向异性扩散，以去除由于进行非下采样Contourlet去噪所造成的为伪Gibbs现象和 side-band效应。实验结果表明，本文方法相比于无扩散的Wavelet和Contourlet方法相比，不仅对图像进行了去噪和增强，而且有效的抑制了伪Gibbs现象和 side-band效应。

该工具包括引导滤波器、引导上采样和残差插值。 请在示例文件夹中运行 runall.m。 参考： 导向过滤器： Kaiming He、Jian Sun 和 Xiaoou Tang，引导图像过滤，欧洲计算机视觉会议 (ECCV)，2010 年。 Kaiming He、Jian Sun 和 Xiaoou Tang，引导图像过滤，IEEE Trans。 模式分析和机器智能 (TPAMI)，卷。 35，第 6 期，第 1397-1409 页，2013 年。 引导上采样： Yusuke Monno、Masayuki Tanaka 和 Masatoshi Okutomi，使用引导滤波器的多光谱去马赛克，IS&T/SPIE 电子成像论文集 (EI2012)，数码摄影 VIII，第 8299 卷，第 82990O-1-7 页，2012 年 1 月。 残差插值： Yusuke Monno、Daisu