细粒度的细分网络：自我监督的细分以改善长期的视觉定位 这是在“细粒度细分网络：自我监督的细分以改善长期视觉本地化”（ ）中发布的工作的实现。 资源 本文使用的数据集发布在visuallocalization.net 训练有素的模型 安装 提供了一个Dockerfile，可使用此文件构建Docker映像，或参考文件中列出的要求。 此外，还提供了requirements.txt。 用法 下载城市景观和枫叶远景 使用/utils/convert_vistas_to_cityscapes.py为Vistas图像创建城市景观类注释 下载对应数据集 下载与对应数据集关联的图像（数据集自述文件中的说明） 创建一个global_otps.json并设置路径（请参阅global_opts_example.json） 从上面的训练有素的模型链接中获取基本模型，将“基本网络”文件夹放置在global_o

Fine认证初级考试的一些考试试卷和考试答案，下载压缩包后直接打开里面对应的HTML文件就行

代码由mit的Che liu编写，Coarse2FineTwoFrames可直接调用。

数据跨越10年以上，包括截至2012年10月的568,454条评论。内容包括产品、用户信息、评分以及纯文本评论。

计算机视觉：中国著名绘画 chinese-fine-art_datasets.txt chinese-fine-art_datasets.zip

20161031-华泰证券-华泰多因子系列之三：华泰单因子测试之成长类因子.pdf

数据融合matlab代码 fine-Grained-classify fine-Grained classify 细颗粒度图像分类 总体框架 参考文献 参考开源代码 研发代码同步 总结 1. 论文参考 > Bilinear CNNs for Fine-grainedVisual Recognition.pdf（双线性卷积细颗粒度图像识别方法）； > bcnn_iccv15.pdf (作者源码使用的是matlab语言)； 结合目标检测、人工标注、图像分割等方法提取关键的细粒度图像，在进行softmax分类； 2. 参考开源代码 > Bilinear-CNN-TensorFlow. > Fine_Grained_Classification. > tensorflow_compact_bilinear_pooling. > VGG-or-MobileNet-SSD. 3. 代码功能说明 > enhanceImagePy 是图像预处理的，数据增强的方案； 包括：图像翻转、裁剪、局部均衡化、灰度化、压缩、椒盐噪声处理等 > test.py 是用于测试的python入口文件 > post.py

R_藤Pair_Copula模型下的投资组合最优套期保值比例研究_陈涛.pdfR_藤Pair_Copula模型下的投资组合最优套期保值比例研究_陈涛.pdfR_藤Pair_Copula模型下的投资组合最优套期保值比例研究_陈涛.pdf

条件风险值_CVaR_模型的理论研究_蒋敏.caj

非迭代算法进行聚类，效果明显！颠覆了传统聚类算法的迭代圈圈.