提出了一种用于验证云服务器上外包数据完整性的算法。通过引入双线性对, 由用户随机选择挑战数据发送给服务器, 云存储服务器返回生成的证据, 验证判定等式的均衡性即可知外包数据是否完整, 可信第三方的引入避免了纠纷的无法仲裁。算法可远程对外包数据实现无限次的完整性验证, 很好地兼顾了用户和云存储服务商的利益。

matlab编写用窗函数法设计FIR低、高、带通滤波器 用双线性变换法设计IIR低、高、带通滤波器

基于单个服务器的双线性对运算外包算法.pdf

细粒度图像之间具有高度相似的外观,其差异往往体现在局部区域,提取具有判别性的局部特征成为影响细粒度分类性能的关键。引入注意力机制的方法是解决上述问题的常见策略,为此,在双线性卷积神经网络模型的基础上,提出一种改进的双线性残差注意力网络:将原模型的特征函数替换为特征提取能力更强的深度残差网络,并在残差单元之间分别添加通道注意力和空间注意力模块,以获取不同维度、更为丰富的注意力特征。在3个细粒度图像数据集CUB-200-2011、Stanford Dogs和Stanford Cars上进行消融和对比实验,改进后模型的分类准确率分别达到87.2%、89.2%和92.5%。实验结果表明,相较原模型及其他多个主流细粒度分类算法,本文方法能取得更好的分类结果。

CompactBilinearPooling-Pytorch 紧凑型双线性池的Pytorch实现。 改编自 先决条件 通过安装 pip install pytorch_fft 用法 from torch import nn from torch . autograd import Variable from CompactBilinearPooling import CompactBilinearPooling bottom1 = Variable ( torch . randn ( 128 , 512 , 14 , 14 )). cuda () bottom2 = Variable ( torch . randn ( 128 , 512 , 14 , 14 )). cuda () layer = CompactBilinearPooling ( 512 , 512 , 8000 )

compact bilinear pooling(tensorflow版本)，可用于细粒度分类，特征融合

在模糊集合论(FS)和广义模糊集合论(GFS)的基础上,构造出用于模糊增强图像区域对比度的新型线性广义模糊算子(LGFO),理论分析并验证了其性质。提出了一种自适应双线性广义模糊增强算法用于提取图像边缘轮廓,该算法利用线性广义隶属度变换函数与LGFO,实现了灰度图像空间与广义模糊空间的相互转换,空间转换过程中对线性广义模糊隶属空间实施了线性广义模糊增强处理,最终在灰度图像空间中使用“MIN”算子提取图像轮廓。该算法还使用可检测边缘度与噪声标准差之商作为图像增强的评估标准,自动选择模糊参数D,实现了线性广义模糊增强图像的自适应优化。实验表明,该算法快速无失真,适用于彩色图像,提取的图像轮廓准确、层次分明。

实现一个图像缩放函数，可以对输入图像进行任意倍数的缩放； 采用双线性插值进行重采样； X,Y方向的缩放倍数参函数参数的形式传入； 可以只考虑输入图像为3通道，8位深度的情况； 不能调用图像处理库的缩放函数来完成；

郑州轻工业学院课程设计说明书题目：基于MATLAB 的语音信号采集和双线性变换法滤波器设计姓名：院（系）：专业班级：学号：指导教师：成绩：时间：年日至郑州轻工业学院课程设计任务书题目基于MATLAB

通过双线性变换法将模拟域锁相环转换到数字域，对数字锁相环进行仿真 matlab文件