tflearn训练的猫狗识别模型，文章中已经处理好的.npy文件可直接进行搭建后使用。

最近一直在想对我的表格数据进行卷积操作，最后终于弄出来了，使用pytorch进行编写

资源包含文件：设计报告word+项目源码+文献资料等 Python 实现LSB算法进行信息隐藏 包含空域与变换域 JPEG信息隐藏算法 对PDF文件进行信息隐藏 基于卷积神经网络的隐写分析 Matlab SRM、SCA隐写分析。 详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/125618949

利用matlab的函数对图像进行基本的处理：卷积，二值化，融合，滤波等等

这是一个改进的简单卷积器。此采用3片A/D转换器同时工作，并将采样过程计算、写入RAM的控制改为并行工作。此卷积器的采样频率为2.22MHz。

在本文中，我们提出了一个动态调度来调整正则化强度，以适应各种网络架构和训练过程。我们的动态正则化是根据训练损失的变化自适应的。对于轻网络架构，它产生低正则化强度，而对于重网络架构，产生高正则化强度。此外，强度是自定步长增长的，以避免过拟合。实验结果表明，所提出的动态正则化方法优于现有的ShakeDrop、Shake-Shake和DropBlock正则化方法。未来，我们将研究动态正则化在数据增强和基于退出的方法中的潜力。

影像分析仪 项目目标 开发一个应用程序，该应用程序实现图像分析算法，例如灰度，直方图，使用用户输入内核的卷积运算以及分水岭 图书馆/语言 t C ++ QCustomPlot（绘制直方图） 影片 演示： ： 状态 卷积（用户输入的可变大小内核） 直方图（8位深度图像） 贴标 大津 构建设置 # make the project platform-specific $ qmake ImageAnalizer.pro # compile and generate the executable $ make # run $ ./OpenImageAnalysis

采用matlab写的GPU版本卷积神经网络，使用了maxpooling等技术，matlab版本2013a.

针对当前去雾算法经常出现过度曝光、颜色失真等问题,提出了一种基于全卷积回归网络的去雾算法。该回归网络基于端到端系统,由特征提取和特征融合两部分构成。首先,输入有雾图像,经过特征提取和特征融合,最终回归为粗透射率图;之后使用导向滤波对其进行优化,再利用大气物理散射模型反演出无雾图像;最终采用限制对比度自适应直方图均衡化(CLAHE)对无雾图像进行增强,以得到更符合人类视觉的清晰图像。所提算法不仅可以有效避免去雾后出现的过度曝光和颜色失真等问题,而且能保留图像完整的细节信息,具有较好的去雾效果。

为了减小计算量，引入了数字卷积采用FPGA硬件编程的方式实现加减速控制算法，提高了算法的稳定性和运算速度；为了减小速度误差和位置误差，在不同情况下采用相应的补偿算法来实现对定点数运算过程中的余数处理；针对数字卷积运算之前产生的余数，在速度序列的末尾添加速度补偿序列来消除余数误差；对于数字卷积运算过程中产生的余数，采用余数累加的方式来减小余数误差。