php后台，YII2开源框架，MySQL数据库，Uniapp小程序源码，完全开源，后台源码需要DuAdmin管理后台php框架

如何证明您的模型属于您：基于盲水印的框架来保护DNN的知识产权 这是一个示例示例（在MNIST和CIFAR-10上），该示例演示了如何运行介绍的框架 快速开始 配置环境 Python=3.7 Pytorch=1.2.0 Others are the latest version 数据集 更改args.dataset='mnist or cifar10'定义数据集。 数据集将自动下载到/data 。 如果args.dataset='mnist' ，则排他徽标是从mnist数据集中随机抽取的样本。 如果args.dataset='cifar10' ，则专用徽标位于/data/IEEE/logo 。 您还可以选择其他徽标。 主机模型 如果args.dataset='mnist' ，则只能实现将水印嵌入lenet1, lenet3, lenet5 。 如果args.dataset='cif

matlab的egde源代码盲图质量工具箱 该项目是Matlab中用于盲图质量评估的算法的集合。 暗示： IQVG需要一些Libsvm-Mex文件，这些文件在此处可用：不要忘记将库添加到路径中（请参见computeQualityMetrics.m）。 DIIVINE需要Matlab的特殊版本，可在此处获得：不要忘记将库添加到路径中（请参见computeQualityMetrics.m）。 根据您的环境设置，可能需要修改所有libsvm可执行文件的路径（请参见IQVG.m，brisquescore.m） 品质保证局 Salvador Gabarda和GabrielCristóbal，“通过各向异性进行盲眼图像质量评估”，J。 Soc。 是。 A 24，B42-B51（2007年） 碧琪 AK Moorthy和AC Bovik，“构造盲通用质量指标的模块化框架”，提交给IEEE Signal Processing Letters（2009年）。 AK Moorthy和AC Bovik，“ BIQI软件版本”，2009年。 盲人2 MA Saad和AC Bovik，“盲图像质量评估：DCT域

Blind image quality assessment (BIQA) aims to predict perceptual image quality scores without access to reference images. State-of-the-art BIQA methods typically require subjects to score a large number of images to train a robust model. However, the acquisition of image quality scores has several limitations: 1) scores are not precise, because subjects are usually uncertain about which score most precisely represents the perceptual quality of a given image; 2) subjective judgments of quality may be biased by image content; 3) the quality scales between different distortion categories are inconsistent, because images corrupted by different types of distortion are evaluated independently in subjective experiments; and 4) it is challenging to obtain a large scale database, or to extend existing databases, because of the inconvenience of collecting sufficient images associated with different kinds of distortion that have diverse levels of degradation, training the subjects, conducting subjective experiments, and realigning human quality evaluations. To combat these limitations, this paper explores and exploits preference image pairs (PIPs) such as “the quality of image Ia is better than that of image Ib” for training a robust BIQA model. The preference label, representing the relative quality of two images, is generally precise and consistent, and is not sensitive to image content, distortion type, or subject identity; such PIPs can be generated at very low cost. The proposed BIQA method is one of learning to rank. We first formulate the problem of learning the mapping from the image features to the preference label as one of classification. In particular, we investigate the utilization of a multiple kernel learning algorithm based on group lasso (MKLGL) to provide a solution. A simple but effective strategy to estimate perceptual image quality scores is then presented. Experiments show that the proposed BIQA method is highly effective and achieves comparable performance

通过检测障碍来帮助盲人自己导航

说明： 完成欠定盲语音分离，源信号为3路输入，有2路麦克风，用c实现。 (Underdetermined blind speech separation is completed, the source signal is 3 inputs, 2 mic, with c achieve.)

零零均衡matlab代码使用神经网络和高阶统计的盲数字调制识别 最终项目 - 人工智能课程 (ECSE 526) - 麦吉尔 - 2016 年秋季 有关系统型号、配置和结果的更多详细信息，请参阅 和 。 指示 在文件夹中，您应该能够找到几个功能来执行不同的通信系统和性能评估任务。 每个函数都以这样的方式命名，它提供了一个关于它执行什么的清晰概念，并对其开始详细说明。 创建的神经网络命名为 NNxxx.m，其中 xxx 根据 SNR 训练级别和它执行的任务而变化。 例如，要测试以 15dB 训练的 NN，您可以执行以下操作： 使用 modulateSignal.m 生成和调制信号 执行空时编码：alamoutiSpaceTimeCoding.m 通过通道发送得到接收到的噪声调制信号：receivedEqualizedModulatedSignal.m 均衡接收信号zer forcing：coherent_ZF_receiver.m 计算特征： featuresComputationModulatedSignal.m 将它们传递给神经网络 NN15dB，你会得到一个长度为 6 的向量。 最

用于自然图像去雾算法的质量评价算法，目前去雾评价中应用最多的一种算法，来源于文章“Blind contrast enhancement assessment by gradient ratioing at visible edges”

隐形水印 看不见的水印是用于在图像生成不可视水印一个python库和命令行工具。（又名。眨眼图像水印，数字图像水印）。 该算法不对原始图像进行回复。 请注意，该库仍处于试验阶段，不支持GPU加速，请在生产环境中仔细部署它。 默认方法dwtDCT （频率方法的一种变体）可以进行即时嵌入，而其他方法在仅CPU的环境中速度太慢。 +频率嵌入算法的变体。 ，一个从Hollywood2电影剪辑数据集中训练的深度学习模型。 默认的嵌入方法dwtDct快速且适用于即时嵌入 dwtDctSvd慢3倍，而rivaGan慢10倍，对于大图像，它们不适合即时嵌入 准确性 即使我们不进行任何攻击，该算法也无法保证对原始水印进行100％准确的解码。 已知缺陷：测试表明，对于背景色相同的网页屏幕截图或海报，所有算法的效果都不理想 支持的算法 dwtDct ：DWT + DCT变换，将水印位嵌入块dct系数的

该算法允许在 0.2 秒到 1.2 秒的范围内估计混响时间（RT 或 T60），并假设源和接收器不在临界距离内。 此功能不执行去噪，必须提前完成。 使用的算法在Heinrich W. Löllmann、Emre Yilmaz、Marco Jeub 和 Peter Vary： “一种改进的盲混响时间估计算法” 声学回声和噪声控制国际研讨会（IWAENC）， 以色列特拉维夫，2010 年 8 月。 （可参考www.ind.rwth-aachen.de/~bib/loellmann10a ） 笔记： 通过秒快速跟踪变化的 RT 的方法此版本中未实现直方图以进一步减少算法的复杂性。该程序的参数设置与用于模拟示例的参数设置不同参考文件。