卷积递归神经网络（CRNN）在OCR的研究中取得了巨大的成功。 但是现有的深度模型通常在池化操作中应用下采样，以通过丢弃一些特征信息来减小特征的大小，这可能会导致丢失占用率较小的相关字符。 而且，循环模块中的所有隐藏层单元都需要在循环层中连接，这可能导致沉重的计算负担。 在本文中，我们尝试使用密集卷积网络（DenseNet）替代CRNN的卷积网络来连接和组合多个功能，从而潜在地改善结果。 另外，我们使用上采样功能构造一个上采样块，以减少池化阶段下采样的负面影响，并在一定程度上恢复丢失的信息。 因此，信息特征也可以用更深层次的结构来提取。 此外，我们还直接使用内部卷积部分的输出来描述每个帧的标签分布，以提高处理效率。 最后，我们提出了一个新的OCR框架，称为DenseNet，带有上采样块联合和连接主义的时间分类，用于中文识别。 中文字符串数据集上的结果表明，与几种流行的深度框架相比，我们的模型提供了增强的性能。

美国能源部的哈默斯利抽样

SOUND

Super Sampling SSAA 1.4

SMOTE：synthetic minority over-sampling technique.pdf

泊松盘采样 任意维度的泊松盘采样。 安装 用做： npm install poisson-disk-sampling 用做： yarn add poisson-disk-sampling CDN 上也提供了 Web 浏览器的编译版本： < script src =" https://cdn.jsdelivr.net/gh/kchapelier/poisson-disk-sampling@2.2.2/build/poisson-disk-sampling.min.js " > </ script > 特征 可用于任何维度（1D、2D、3D 等）。 可与自定义 RNG 函数一起使用。 允许配置最大尝试次数、最小距离和每个点之间的最大距离。 允许使用自定义函数来驱动分布的密度。 基本示例 var p = new PoissonDiskSampling ( { sha

3D-mesh-blue-noise-sampling.zip,三角形网格蓝噪声采样的一种简单实现,3D建模使用专门的软件来创建物理对象的数字模型。它是3D计算机图形的一个方面，用于视频游戏，3D打印和VR，以及其他应用程序。

os-fast-reservoir 快速近似水库采样的Python实现。 安装 $ pip install os-fast-reservoir 用法 原料药 from os_fast_reservoir import ReservoirSampling rs = ReservoirSampling(100) for i in range(1000): rs.sample(i) for i in rs: print i 命令行 $ os-fast-reservoir -h usage: os-fast-reservoir [-h] [-v] [-f FILES [FILES ...]] -n NUM Reservoir sample tool. optional arguments: -h, --help

在scikit-learn中的单元超球面上聚类 演算法 此软件包实现了scikit-learn的Banerjee等人在JMLR 2005 概述的三种算法。 球形K均值（spkmeans） 球形K均值与常规K均值的不同之处在于，它在每个最大化步骤结束时（即归一化质心）将估计的聚类质心投影到单位球体上。 冯·米塞斯·费舍尔分布（movMF）的混合 就像通过均值和方差来参数化高斯分布一样，具有均值方向$\mu$和浓度参数$\kappa$ 。 从vMF分布得出的每个点$x_i$和平均方向$\|\mu\|_2 = 1$生活在单位超球面$\S^{N-1}$ （即$\|x_i\|_2 = 1$ ）的表面上$\|\mu\|_2 = 1$ 。 较大的$\kappa$会导致点集中度更高。 如果我们的数据作为一种模式米塞斯费舍尔分布的，我们有一个额外的重量参数$\alpha$在混合物中各分布。 movMF算法通过期望最大化（EM）估计混合参数，使我们能够相应地对数据进行聚类。 软运动MF 估计每个类别的每个示例的实值后验。 从某种意义上说，这使我们可以进行软聚类，因为每个数据点都有聚类的可能性。

ISO 3951-1_5 Series - Sampling procedures for inspection by variables - 包含全部5份最新英文标准文件.7z