ESRGAN：增强的超分辨率生成对抗网络
用于图像超分辨率的Pipeine任务基于经常引用的论文（Wang Xintao等人），于2018年发布。
简而言之，图像超分辨率（SR）技术可从观察到的较低分辨率（LR）图像重建高分辨率（HR）图像或序列，例如将720p图像放大为1080p。
解决此任务的常用方法之一是使用能够从LR图像中恢复HR图像的深度卷积神经网络。 而ESRGAN（增强型SRGAN）就是其中之一。 ESRGAN的要点：
基于SRResNet的架构，带有残存残存块；
上下文，感性和对抗性损失的混合体。 使用上下文损失和感知损失来进行适当的图像放大，而对抗损失则使用鉴别器网络将神经网络推向自然图像流形，该鉴别器网络经过训练以区分超分辨图像和原始照片级逼真的图像。
技术领域
作为深度学习任务的管道运行者的Catalyst 。 这个新的，发展Swift的。 可以大大减少样板代
2021-10-18 10:40:56
5.98MB
1
matlab开发-多层感知器MLP的生物地理学基础。基于生物地理学的优化器（BBO）被用作多层感知器（MLP）的训练器。
2021-10-17 15:48:19
112KB
1
文中针对当前无线频谱政策和无线频谱技术局限所导致的频谱整体利用率低的问题，分析了能有效提高频谱
利用率的动态频谱分配和共享技术的研究现状，包括相邻和分片动态频谱分配技术，共存和覆盖式频谱共享技术，感知无线
电技术，以及频谱池技术，并讨论了其未来的研究方向，尤其是感知无线电和基于OFDM 的频谱池方法。
2021-10-17 13:05:42
704KB
1
该软件已在波士顿大学认知和神经系统系技术实验室实现 - http://techlab.bu.edu 。 该软件的主要作者是 Praveen Pilly ( http://techlab.bu.edu/members/advait/ )。
大脑如何做出知觉决定？ 关于运动方向的扫视决定的速度和准确性取决于运动刺激中固有的模糊性，并与猕猴顶叶和额叶皮层神经元放电率的时间动态相关。 MOtion DEcision (MODE) 模型结合了视网膜/外侧膝状核、初级视觉皮层、中颞区、内侧颞区和外侧顶内区内部和之间的相互作用，由基底神经节门控，以提供对运动的功能和机械理解基于实验运动刺激的决策行为。 该模型展示了中颞区和内侧上颞区的运动捕捉电路如何逐渐解决信息Kong径问题，同时与侧顶内区的嘈杂循环竞争场相互作用，其自我归一化选择特性实时做出概率方向决策。 定量模型模拟包括在固定持续时间和Reac
2021-10-17 07:41:33
16.63MB
1
结合稀疏贝叶斯学习和压缩感知CS理论, 提出了一种基于贝叶斯匹配追踪的SAR图像重构的新方法。该方法将SAR图像的重构过程看做是一个线性回归问题, 而待重建的图像是该回归模型中的未知权值参数。利用高斯混合参数对未知权值参数赋予确定的先验条件概率分布, 用于限制权值参数的稀疏性。该方法能够得到重建图像所需要的一组具有较高后验概率密度的模型, 从而实现图像在最小均方误差MMSE意义下的重构; 对于高斯混合模型中参数未知的情况, 可以采用基于EM的最大似然估计方法估计。实验结果表明, 基于贝叶斯匹配追踪的SAR图像重构方法能够获得精确的重建图像, 并且能够有效地保持图像的细节特征。
2021-10-15 10:13:42
1.19MB
1
车辆识别
该项目依赖于opencv3.4.1和org.json。 本文档中引用了opencv与eclipse的集成。
车牌识别需要调用百度AI界面并注册为开发人员。 然后通过在util包的package-info.java中填充CLIENT_API_KEY和CLIENT_SECRET_KEY来获取access_token。
待续...
2021-10-14 23:02:02
48KB
1