NLPCC2016-WordSeg-微博 NLPCC 2016微博分词评估项目 ##任务说明 单词是自然语言理解的基本单元。 但是，中文句子由连续的汉字组成，没有自然的分隔符。 因此，中文分词已成为中文自然语言处理的首要任务，它可以识别句子中单词的顺序并标记单词之间的边界。 与流行的二手新闻数据集不同，我们使用了来自新浪微博的更多非正式文章。 培训和测试数据包含来自各个主题的微博，例如金融，体育，娱乐等。 每个参与者都可以提交三个运行：封闭式运行，半开放式运行和开放式运行。 在封闭的轨道上，参与者只能使用在提供的培训数据中找到的信息。 排除了诸如从外部获得的字数，部分语音信息或姓名列表之类的信息。 在半公开赛道中，除了提供的训练数据之外，参与者还可以使用从提供的背景数据中提取的信息。 排除了诸如从外部获得的字数，部分语音信息或姓名列表之类的信息。 在公开赛道上，参与者可以使用应该

图像去模糊 一张照片捕捉到一个难忘的时刻却后来才发现它模糊不清，这真是令人失望。 图像去模糊也可以用作其他应用程序的预处理步骤。 该项目使您可以对图像进行模糊处理。 用法 预先训练的权重和使用的模型存储在存储库中。 您可以直接加载它们并运行Demo.ipynb中显示的去模糊处理 如果要从头训练模型，则训练脚本位于deblur.py中 模型 使用了具有3个卷积层的CNN模型。 训练集包括4000张大小为96x96的模糊图像，目标集由相应的清晰图像组成。 实际的去模糊是在尺寸为32x32的较小色块上学习的。 在预测期间，可以一次从32x32的色块中预测出清晰的色块。 样品 水果： 伦娜：

单LDR2HDR 从单个低动态范围图像生成高动态范围图像的实现。 实验结果 注意力 输入图像的分辨率不应太大（取决于计算机的内存），因为使用SciPy解决大型线性系统可能会导致内存用尽。 设置 在Python3.5和Python2.7上测试。 依存关系 安装设备。 cd singleLDR2HDR pip install -r requirements.txt 用法： python run.py ./test_image/test1.jpg 参考 [1]

莱昂斯最新的一本书，与之前的Understanding Digital Signal Processing(2nd.Ed.)有些重叠。

Apple 的ISP模块专利的详尽描述，学习ISP算法的经典文献

QuakeMigrate是一个Python软件包，用于使用波形迁移和堆栈进行自动地震检测和定位。 它可用于生成地震目录，包括震源，始发时间，相位到达时间和局部震级估计，以及对相关不确定性的严格估计。 该软件包采用模块化架构构建，在众多入口点都具有扩展和适应的潜力。 这包括但不限于： 行程时间网格的计算或导入 选择用于识别相位到达的算法（例如，峰度，多个组件之间的互协方差分析，机器学习技术等） 用于组合起始功能的堆叠功能 用于执行相位拾取的算法 文献资料 对于QuakeMigrate文档托管。 安装 可以在找到安装说明。 用法 我们正在研究涵盖程序包的各个方面如何工作的教程，以及一些示例用例，在这些用例中，我们为所使用的参数选择提供了实质性的推理。 这些示例包括在冰震性和火山地震学中的应用。 这是一项正在进行中的工作-。 活页夹 为了快速了解该软件的工作原理，请尝试Binder上托管

推特情绪分析器 在推文上执行情感分析后，搜索推文并提供详细报告的Web应用程序。 应用程序位于

这是第二卷，RAR压缩为3卷，PDF格式
这是一本非常好的书，我也在sina的共享空间里放了这本书，但因为新浪共享对英文名字的搜索太不敏感，致使这么好的资料下载量却是非常低。
这本书，是一本非常经典的医学图像处理方面的书，基础的算法介绍，对图像处理在医学方面的应用起到了非常好的入门作用。其中有个章节是个中国名字所掇写，在医学图像处理算法方面，常可以看到算法的第一作者是我国的拼音名字，感觉应用数学方面，华人的水平可以属于非常高的了，尽管他们大部分都在国外任职或是学习，但也是中华在世界的一份力量体现，为那一个个拼音的名字而骄傲。

希望这本书能够为初入医学图像处理算法的人提供专业的指导。

这是一本非常好的书，希望不要因为是全英文，而放弃这么好的学习资料。阅读此书，不仅会提高医学图像算法方面的知识，亦会对专业英语有提高的作用呵。

图像处理工具箱 代码资源在src文件夹内，对应图像资源在resources文件内。 包括内容： 傅里叶变换去除波纹噪声 图像插值（最近邻、双线性、立方卷积） 线性最小二乘求解变换系数 直方图均衡化与灰度线性拉伸 均值滤波和中值滤波 大津阈值分割 边缘检测算子（Laplace，sobel，Roberts，kirsch算子） 图像修复综合作业（hough变换 + 区域生长法） 对应代码： src/remove_water_marking.m, src/remove_water_marking2.m src/lena_interpolation.m src/leastSquare.m src/HE.m, src/gray_linear_stretch.m src/average_median_filter.m src/OTSU.m src/edge_detection_operator.m sr

PyTorch + Catalyst实现的“ 。 该存储库处理培训过程。 为了进行推断，请检出GUI包装器：PyQT中的 。 该储存库已与合并为。 目录 要求 计算方式 我们在1050 Mobile和Tesla V100的两个GPU上运行了该程序。 我们没有进行任何基准测试，但是V100的速度大约提高了400倍。 它还取决于您下载的数据量。 因此，任何服务器级GPU都是可行的。 贮存 该程序确实会生成很多文件（下载和其他方式）。 每个音频文件的大小为96kiB。 对于7k独特的音频剪辑，并以70/30的比例进行火车和验证拆分，它占用了约120GiB的存储空间。 因此，如果您下载更多音频片段，则至少为1TB 。 记忆 至少需要4GB VRAM 。 它可以处理2个批处理大小。在20个批处理大小下，在两个GPU上，每个GPU占用16GiB VRAM。 设置 如果您使用的是Docker，则