waifu2x - 利用卷积神经网络放大图片 waifu2x 使用深度卷积神经网络的动漫风格艺术图像超分辨率。 它支持照片。 可以在 http://waifu2x.udp.jp/ 找到演示应用程序。 请注意，我仅提供此网站和此存储库。 其他声称“waifu2x”的软件或网站与我无关。 摘要 单击以查看幻灯片。 参考 waifu2x 的灵感来自 SRCNN [1]。 2D 角色图片 (HatsuneMiku) 由 piapro [2] 根据 CC BY-NC 授权。 [1] Chao Dong, Chen Change Loy, Kaiming He, Xiaoou Tang, "Image Super-Resolution Using Deep Convolutional Networks", http://arxiv.org/abs/1501.00092 [2] "For Creators", http:// piapro.net/en_for_creators.html 公共 AMI TODO 第三方软件 第三方 如果您是 windows 用户，我建议您使用 wai

ASCT 自适应结构卷积网络的视觉目标跟踪 摘要：已经证明卷积神经网络（CNN）在视觉对象跟踪任务中实现了最新的性能。 但是，现有的基于CNN的跟踪器通常使用整体目标样本来训练其网络。 一旦目标经历复杂的情况（例如，遮挡，背景杂波和变形），跟踪性能就会严重下降。 在本文中，我们提出了一种自适应结构卷积滤波器模型，以增强深度回归跟踪器（名为：ASCT）的鲁棒性。 具体来说，我们首先设计一个遮罩集以生成局部滤镜以捕获目标的局部结构。 同时，针对这些局部滤波器，我们采用了自适应加权融合策略，以适应目标外观的变化，从而可以有效地提高跟踪器的鲁棒性。 此外，我们开发了一个端到端的可训练网络，该网络包括用于有效训练的特征提取，决策和模型更新模块。 在大型基准数据集上的大量实验结果表明，所提出的ASCT跟踪器的有效性优于最新的跟踪器。 :star: 更新：ASCT跟踪器的代码可以在下载 。 用法 追踪 1下

matlab求循环卷积 自己编写 请大家评评

这是论文中提出的算法的实现VG Reju、SN Koh 和 IY Soon，“不确定的卷积盲源通过时频掩蔽进行分离，”IEEE Transactions on Audio, Speech 和语言处理，卷。 18，没有。 1，2010 年 1 月，第 101-116 页。 这里使用测量的房间脉冲响应混合信号以获得混合信号。 该算法可以很容易地扩展到更多数量的来源，包括确定的和未确定的情况。

论文代码

有效识别图像或视频中人物的不同群体, 是进行图像智能分析的重要环节, 归根结底是研究如何获取图像中的“有效特征”. 本文以卷积神经网络模型为基础模型, 提出多模型融合卷积神经网络的方法, 利用ImageNet训练得到的模型参与本文神经网络模型的权值初始化, 在有效节省时间和计算资源成本的前提下获取更多有效的特征. 实验结果证明, 本模型对于自然场景中的个体分类中成年男性、成年女性、儿童识别准确率可以保持在85%左右, 提高了人物群体分类的准确度和可靠度.

java实现卷积的算法，整个实现过程可以清晰的了解卷积算法的实现以及公式。

总变异正则化最小二乘反卷积是最标准的图像处理问题之一。 该软件包使用增强拉格朗日 [1] 的概念提供了当前最先进算法的实现，可以将其视为广为人知的乘法器交替方向方法 (ADMM) 的变体。 deconvtv 的用户界面与当前 MATLAB 的反卷积工具相同，包括 deconvwnr、deconvlucy 和 deconvreg： out = deconvtv(img, psf, mu, opt); deconvtv 支持对图像和视频解卷积问题的直接时空处理。 deconvtv 的应用包括但不限于：图像和视频去模糊、图像和视频去噪、深度数据增强、热空气湍流稳定和多视图合成。 如需更多信息和引文，请参阅： [1] SH Chan、R. Khoshabeh、KB Gibson、PE Gill 和 TQ Nguyen，“用于全变分视频恢复的增强拉格朗日方法”，IEEE Trans。 图像

随着视频技术的飞速发展,越来越多的视频应用逐步进入人们的生活中,因此对视频质量的研究很有意义。基于卷积神经网络和循环神经网络强大的特征提取能力并结合注意力机制,提出一种无参考视频质量评价算法。该算法首先利用VGG(Visual Geometry Group)网络提取失真视频的空域特征,然后利用循环神经网络提取失真视频的时域特征,引入注意力机制对视频的空时特征进行重要度计算,根据重要度得到视频的整体特征,最后通过全连接层回归得到视频质量的评价分数。在3个公开视频数据库上的实验结果表明,预测结果与人类主观质量评分具有较好的一致性,与最新的视频质量评价算法相比具有更好的性能。

本项目是一个完整的深度学习实践，课题是人脸表情识别，使用到的模型是卷积神经网络，难度在简单——中等级别，方便初学者入门。在这里，面部表情识别相当于一个分类问题，共有7个类别。其中label包括7种类型表情。源代码方便大家开箱即用，学习参考！ 动手完成这个项目之后，可以学习到： 1. 深度学习中CNN（卷积神经网络）的使用，为之后学习相关神经网络模型做了很好的铺垫。 2. 学会使用深度学习框架之一Pytorch的使用。 3. 多分类问题在实际中的应用，是二分类的扩展。 4. 从数据处理，可视化，到模型搭建的过程，是一种经验和技巧的积累，达到“举一反三”的效果。