VGG_Imagenet_Weights_GrayScale_Images 为灰度图像转换VGG imagenet的预训练权重。 2种方法： 将图像转换为灰度，将灰度通道复制2次以使图像成为3D图像。 将VGG16的第一个卷积层的权重转换为适应灰度图像。 例如：VGG16的block1_conv1内核的尺寸：（3、3、3、64）->（高度，宽度，in_channels，out_channels）。 默认情况下，in_channels对应于您的训练图像具有的通道数。 由于VGG16在具有RGB图像的Imagenet上进行了预训练，因此in_channels为3。该想法是提取这些权重值，对滤镜进行加权平均（按通道），并将这些值分配给block1_conv1_kernel，st尺寸变为（3 ，3、1、64）。 亮度公式用于计算加权平均值：值：（feature_red * 0.2989）

使用yolo v3 预训练模型，通常用在自己专业训练集训练，采用darknet53作为boneback进行训练。

pycocotools2.0.2.rar

在统计学中用来确定权重的三种方法：AHP、ANP、熵值法.其中，AHP、ANP既是一种评价方法，但更 常用来计算指标权重,而熵值法则是一种根据指标反映信息可靠程度来确定权重的方法。

在面向轨道的多假设跟踪器中重建全局假设的问题是 MWISP 的一个实例。 在 MHT 中，家族结构是已知的，可以用来为 MHT-MWISP 找到快速的本地搜索启发式。 类型 2 实例有许多小系列（其中 79 个），一个集群中有 231 条轨道。 提供它是为了促进与其他假设生成方法的比较。 类型 1 实例有 15 个系列，使用起来要容易得多。

传统的协同过滤算法存在数据稀疏、可扩展性弱和用户兴趣度偏移等冋题，算法运行效率和预测精度偏低。针对上述问题，提出一种改进的 Mini batch K- Means时间权重推荐算法。采用 Pearson相关系数改进MiBatch K- Means聚类，利用改进的聚类算法对稀疏评分矩阵进行聚类，计算用户兴趣评分并完成对稀疏矩阵的填充。考虑用户兴趣随时间变化的影响，引入牛顿冷却时间杈重计算攝似度，并基于已填充评分矩阵进行相似度权计算，得到项目最终评分。实验结果表明，与传统协同过滤算该算法的平均绝对误差下降了31.08%，准确率、召回率、門Ⅰ值均有较大提升，具有较髙的评分预测精确。

程序计算 1-D、2-D、3-D 的高斯点及其权重以用于数值积分。 最初是为有限元程序编写的，因此能够为 6 节点三角形单元提供积分点。 如果需要，可以以符号形式输出。 FEM 在http://www.colorado.edu/engineering/CAS/courses.d/IFEM.d/由科罗拉多大学博尔德分校的 Carlos Felippa 教授描述

此脚本计算 Legendre-Gauss-Lobatto 正交的节点和权重，以及光谱方法的 LGL-vandermonde 矩阵。 节点是 (1-x^2)*P_N(x) 的零点，其中包括端点。 对于纯高斯正交，Chebyshev 在数值上更好，并且 Lebesgue 常数低于 Legendre，然而，对于 Gauss-Lobatto 正交则相反。

基于标签权重的个性化协同过滤推荐算法之软件工程分析.docx

自动汇总 新闻文本自动摘要，以Textrank为基础，合并标题特征，单句位置特征，重要实体特征，线索词特征，做句子的综合权重计算，并使用MMR算法，兼顾自动摘要的主题相关性和摘要。 查看新闻摘要示例