最基础最全——张量分析..ppt
2022-04-27 19:26:50 591KB 张量
1
电子商务进农村综合示范项目-大数据+智慧电商规划方案.pdf
2022-04-26 09:08:09 32.12MB 张量
磁偶极子,磁张量计算,磁异常检测
2022-04-25 20:06:07 401B matlab 文档资料 静磁场
1
YoloVx(yolov5 / yolov4 / yolov3 / yolo_tiny) 张量流 安装NVIDIA驱动程序 安装CUDA10.1和cudnn7.5 安装Anaconda3,下载 安装tensorflow,例如“ sudo pip install tensorflow> = 1.15或tensorflow> 2.0”等。 介绍 受启发的YOLOv5的tensorflow实现。 受启发的YOLOv4的tensorflow实现。 来自框架代码。 骨干:Darknet53; CSPDarknet53 ,米什 ; MobileNetV2; MobileNetV3(大小) 颈部:SPP ,PAN ; 头:YOLOv5 / YOLOv4(Mish),YOLOv3(Leaky_ReLU) ; 损失:DIOU CIOU ,Focal_Loss ; 其他:Label
2022-04-24 16:35:34 25.1MB tensorflow mobilenetv2 yolov3 yolo-tiny
1
对三阶张量样本进行降维处理,采用了张量Tucker分解,运用高阶奇异值分解方法
2022-04-24 10:53:42 4.58MB 三阶张量 HOSVD tucker分解 张量分解
此脚本显示如何从给定的扩散加权 MRI 数据集计算笛卡尔张量 ODF。 该方法保证估计的 ODF 是正定的或至少是半正定的。 此实现基于 Y. Weldeselassie、Angelos Barmpoutis 和 S. Atkins 的文章“Symmetric Positive Positive-Definite Cartesian Tensor Orientation Distribution Functions (CT-ODF)”,In the Proceedings of MICCAI, 2010
2022-04-23 09:49:25 20KB matlab
1
matlab三维张量分解代码DTF:预测抗癌药物协同作用的深层张量分解 这些是代码和数据,主要用于该项目,该项目使用深张量因子分解来预测抗tic子药的协同作用。 我在这里使用的唯一数据集是38种药物和39种细胞系的药物协同作用数据,这些数据是根据ONeil等人的研究得出的。 为了实现DTF模型,首先,我使用R预处理原始数据以构建张量,然后将其用于Python和MATLAB 。 对于某些特定的细胞系,对相同的药物对进行了多次实验。 为了构建三维(3D)药物-细胞-细胞系张量,我们对相同药物-药物对的这些分数取平均值。 结果张量在data_sets文件夹中提供。 为了在matlab中分解张量,我使用和。 张量分解的结果以因子矩阵的形式提供。 python代码主要涉及如何根据Matlab的输出生成特征,并给出了构建最终DTF模型以对缺失药物组合进行预测的代码。 注意,为了方便编程,将每种药物组合编码为一个索引。 具体来说,我使用公式:drug_A_index + drug_B_index * 38 + cell_line_index * 38 * 38来编码药物组合。 因此,我可以解码索引以
2022-04-21 19:48:35 2.83MB 系统开源
1
针对现有图像复制粘贴篡改检测算法计算复杂度过高的问题,提出了一种基于分组尺度不变特征变换的图像复制粘贴篡改快速检测算法。首先,利用简单线性迭代聚类将输入图像分割成非重叠且不规则的块;然后,根据图像块内结构张量属性将其分为平坦块、边缘块和角点块,提取图像块内的SIFT特征点作为块特征;最后,通过块特征的类间匹配定位篡改区域。所提算法通过图像块分类和类间匹配,在保证检测效果的同时,有效地降低了特征匹配定位篡改区域阶段的时间复杂度。实验结果表明,所提算法检测准确率为97.79%,召回率为90.34%, F值为93.59%;图像尺寸为1 024像素×768像素时算法时间复杂度为12.72 s,图像尺寸为3 000像素×2 000像素时算法时间复杂度为639.93 s。与已有的复制粘贴算法相比,所提算法能够快速精准地定位篡改区域,且具有较好的稳健性。
1
tensor.js 我打包了一些基本的矩阵和张量运算,因为我厌倦了一遍又一遍地写它们。 用法 Node.js $ npm install tensor var tensor = require ( 'tensor' ) ; 浏览器 < script src =" dist/tensor.min.js " type =" text/javascript " > </ script > 测验 $ npm test
2022-04-14 08:55:04 11KB JavaScript
1
已经提出了许多用于红外小目标检测的最新技术。 它们在具有均一背景和高对比度目标的图像上效果很好。 然而,当面对高度异质的背景时,它们将不能很好地工作,主要是由于:1)存在强边缘和其他干扰组件,2)没有充分利用先验条件。 受此启发,我们提出了一种同时利用本地先验和非本地先验的新颖方法。 首先,我们采用新的红外补丁张量(IPT)模型来表示图像并保留其空间相关性。 利用目标稀疏先验和背景非局部自相关先验,将目标背景分离建模为鲁棒的低秩张量恢复问题。此外,借助结构张量和权重思想,我们设计了一种局部局部自适应和稀疏性增强权重来代替全局常数加权参数。 根据目标检测的实际情况,可以通过元素重加权的高阶稳健主成分分析以及附加的收敛条件来实现分解。广泛的实验表明,我们的模型优于其他最新技术,特别是对于图像质量非常高的图像昏暗的目标和沉重的杂物。
2022-04-08 20:02:03 1.64MB Infrared patch-tensor model infrared
1