OctNet使用有效的空间分区结构（即八叉树）来减少内存和计算3D卷积神经网络的需求，从而实现高分辨率的深度学习。 这是本文的代码： ， 和 我们展示了OctNet，它是稀疏3D数据的深度学习表示。 与现有模型相比，我们的表示支持深度和高分辨率的3D卷积网络。 为了实现这一目标，我们利用输入数据中的稀疏性，使用一组不平衡的八叉树来对空间进行分层划分，其中每个叶节点都存储一个池化的要素表示。 这样可以将内存分配和计算集中到相关的密集区域，并在不影响分辨率的情况下实现更深的网络。 通过分析分辨率对几个3D任务的影响，包括3D对象分类，方向估计和点云标记，我们演示了OctNet表示的实用性

Image-Super-Resolution, 在Keras中，超分辨率CNN的实现 Keras 2 中的图像超分辨率利用深度卷积网络实现Keras中图像超分辨率CNN的实现。还包含上述模型的模型，称为扩展超分辨率，Denoiseing自动编码器SRCNN优于上述模型。设置支持带有Theano和Tensorflo

基于ＦＰＧＡ的碰碰球游戏，通过VGA在1280x1024分辨率的液晶显示器上显示，主控芯片用的是ALTERA公司的 Cyclone2 系列EP2C5T144，通过两个按键来控制游戏，在数码管上显示得分情况，并且带有背景音乐（ＰＳ：背景音乐没有处理好，声音不是太正

iso12233是目前手机或者安防行业做解像力测试的重要标板，可用于测试镜头解像力

行业文档-设计装置-基于可调谐珐波利-珀罗滤波器和阵列式探测器光谱仪的超高分辨率光谱仪.zip

Linux平台下高分辨率摄像头设备USB驱动的研究与改进.pdf

CinCGAN-火炬 Pytorch实施 ，CVPR 2018 实验结果 NTIRE2020跟踪1-验证集的平均PSNR（x4） 名称 信噪比 双三次 24.21 EDSR 23.93 CinCGAN 24.92 训练细节 在使用默认设置训练了400K迭代的内部循环之后，我冻结了内部循环，并对外部循环进行了微调，进行了数百次迭代。 在训练外部循环时，将gamma0设置为0.1，将gamma2设置为150，将external_lr设置为1e-5。 其他参数设置为默认值。 检查点 我从使用EDSR实现。 NTIRE2020 x4检查点： ://drive.google.com/file/d/1ctTPy0dxHd5PgGvDc6rtJ8-8wNIjx86w/view?usp sharing 开始训练 训练内循环 python3 main . py - - phase train

ISO12233分辨率测试卡，jpg格式，可以自己打出来用来测试镜头或者投影的形变。

【保真】福建省8年土地利用数据集合（中科院地理所30米LUCC分类）1980-1990-1995-2000-2005-2010-2015-2018，栅格格式，内附行政边界，数据详细说明和引用文档！本号所有数据保真！注意鉴别假数据~另有2020年数据，请私信购买！

12.5米的数字高程数据下载教程，内网既可以下载，需要https://search.asf.alaska.edu/注册账号