自适应颜色解卷积 (ACD)
============
这是基于我们论文中描述的自适应颜色反卷积的组织学图像颜色归一化的实现：
Yushan Zheng、Zhiguo Jiang、Haopeng Zhang、Fengying Xie、Jun Shi 和 Chenghai Xue，用于组织学 WSI 归一化的自适应颜色反卷积，生物医学中的计算机方法和程序，v170（2019）第 107-120 页。
要求
TensorFlow（1.3 或更高版本）
Python 3.6
麻木 1.14.0
opencv-python 3.4.1
引用
如果您在自己的工作中使用此代码，请引用以下论文：
@article{zhengCMPB2019,
title = {Adaptive color deconvolution for histological WSI normalizat
2022-05-19 12:56:26
24.66MB
1
时空图卷积网络用于基于骨架的动作识别，Spatial Temporal Graph Convolutional Networks for Skeleton Based Action Recognition，2018年AAAI论文
2022-05-19 12:31:53
1.5MB
1
博客：https://blog.csdn.net/qq_34904125/article/details/124854899
本篇是python语言写的，pytorch框架，基于mobilenet训练水果数据集，数据集也可以自行替换，
文件夹下放对应的图片即可，通过01demo即可生成txt文本的数据集，存放图片路径和标签。
02demo使用迁移学习的mobilenet卷积网络对图像进行训练模型，
03demo是通过flask接口调用模型，与小程序界面参数交互
代码中有说明文档
然后小程序的完整上传图片代码也在里面，都是可以直接使用的。
2022-05-19 12:05:28
25.65MB
Sequence modeling benchmarks and temporal convolutional networks
2022-05-18 22:19:04
15.92MB
1
fftw-convolution-example-1D
使用库中实现的快速傅立叶变换 (FFT) 执行实向量一维离散卷积的简单 C++ 示例。
这段代码是著名的卷积定理的简单直接应用。 它效率不高，但意味着易于理解。
算法说明
设 v1, v2 是两个实数向量。 这些向量的离散（线性）卷积可以通过以下过程计算：
将两个向量零填充到长度 size(v1)+size(v2)-1。
计算填充向量的离散傅立叶变换。
计算这些傅立叶变换的逐点乘积。 即 result[i] = Fourier(pad(v1))[i] * Fourier(pad(v2))[i]
通过逆傅里叶变换变换结果。
必须预先填充向量的原因是没有填充，此过程将计算 v1 和 v2 的循环卷积。 由于我们对线性卷积感兴趣，我们需要添加足够的填充，以便环绕不会混合线性卷积的不同部分。
有关更多信息，请参阅。
实施说明
2022-05-18 20:09:51
5KB
1
分析了卷积码及由其发展出的Turbo码的编码原理,给出了这2种编码方法的结构特征和最大后验概率(MAP)的译码算法;分别对卷积码和Turbo码进行仿真,得到在码长1024尽可能多的迭代次数情况下的Turbo码误码率(BER)曲线和采用维特比译码方法的卷积码误码率曲线。通过比较2种编码方法的仿真结果验证了Turbo码编码和译码系统的性能比传统的卷积码系统性能优异的结论,提出并描述了尽可能多次迭代的Turbo 码对卷积码在性能上的具体优势。
2022-05-18 10:56:03
225KB
1