VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION非常经典的VGG-NET框架就是出自这篇文章

论文：Maio D, Maltoni D. Direct gray-scale minutiae detection in fingerprints[J]. IEEE transactions on pattern analysis and machine intelligence, 1997, 19(1): 27-40.

YYKline 介绍 支持MA，EMA，BOLL，KDJ，MACD，RSI，WR等技术指标，支持更多指标扩展 支持运行于iOS，MacOS上 OC开发，如需Swift可直接翻译 图表示例 普通K线+ MACD 分时图+ MACD 普通K线+ KDJ 分时图 更多指标 综合演示 集成方法 下载Demo项目，将Y_Kline文件夹拖入需要的工程中 参考Demo，将YYKlineView添加到需要展示的视图即可，其他部分（如指标）可参考Demo中Y_StockChartView进行配置。 自定义指标 实现YYPainterProtocol，可参考Painter文件夹下的其他现有指标。 @protocol YYPainterProtocol // 绘制 + ( void ) drawToLayer : ( CALayer *) layer area : ( CGRec

kcf matlab代码“多模板尺度自适应核相关滤波器”ICCVW2015 作者：Adel Bibi 和 Bernard Ghanem。 访问我们集团的网站： 阿德尔·比比的网站： 电子邮件： adel.bibi [AT] kaust.edu.sa bibiadel93 [AT] gmail.com 伯纳德·加尼姆的网站： 电子邮件： Bernard.Ghanem [AT] kaust.edu.sa 此 MATLAB 代码基于多模板尺度自适应核相关拟合器 (KCF_MTS) 实现了一个简单的跟踪管道。 它可免费用于研究用途。 如果您觉得它有用，请通过参考确认上面的论文。 有关实施详情，请查看 (Read_Me_KCT_MTSA.txt)。

新加坡国立大学最新「大规模深度学习优化」综述论文，带你全面了解最新深度学习准确率和效率的优化方法 【导读】深度学习优化是构建深度学习模型中的一个关键问题。来自NUS的研究人员发布了《大规模深度学习优化》综述论文，DL优化目标是双重的: 模型准确性和模型效率。至于模型的准确性，研究了最常用的优化算法，从梯度下降变量到(大批量)自适应方法，从一阶方法到二阶方法。此外，还阐述了在大批量训练中出现的泛化差距这一有争议的问题。 深度学习在人工智能的广泛应用中取得了可喜的成果。更大的数据集和模型总是产生更好的性能。然而，我们通常花更长的训练时间在更多的计算和通信上。在这项综述中，我们的目标是提供一个清晰的草图，关于优化大规模深度学习的模型准确性和模型效率。我们研究最常用于优化的算法，阐述大批量训练中出现的泛化缺口这一有争议的话题，并回顾SOTA解决通信开销和减少内存占用的策略。

OctaveConv-Pytorch 程的PyTorch实现 （培训进行中） 用法 from resnet import octResnet50 ... model = octResnet50 () 从

AOT-GAN用于高分辨率图像修复 | AOT-GAN：用于高分辨率图像修复的聚合上下文转换，，，。 引文 如果我们的论文和代码中的任何部分对您的工作有所帮助，请慷慨地引用我们并加注星标 :face_blowing_a_kiss: :face_blowing_a_kiss: :face_blowing_a_kiss: ！ @inproceedings{yan2021agg, author = {Zeng, Yanhong and Fu, Jianlong and Chao, Hongyang and Guo, Baining}, title = {Aggregated Contextual Transformations for High-Resolution Image Inpainting}, booktitle = {Arxiv}, pages={-}, year = {2020} } 介绍 尽管取得了一些令人鼓舞的结果，但是对于现有的图像修复方法来填充高分辨率图像（例如5

V93000_Wave_Scale_RF_LabManual

V93000_Wave_Scale_RF_Training，

matlab型数据集heart_scale，用于在matlab中学习和预测实验。