一些车牌识别技术的个人总结，里面包含传统的机器学习以及深度学习的部分代码，可以直接运行。

Feynman_Lectures_on_Physics_Complete_Volumes_1.pdf 英文版

tensorflow2.3-keras使用卷积神经网络CNN实现cifar10图像分类源码+数据集+注释+模型加载保存

书 名 数学的发现 （第二卷） 责 任 者 ( 美)波利亚(G.Polya)著 刘远图等译 出版发行地 北京 出版发行者 科学出版社 出版发行期 1987 页 数 328页 主 题 词 数学 格式 PDF

通过在Colpitts振荡器中引入二次反馈项,观察到了新奇的双涡卷吸引子。这个具有反馈项的混沌系统具有3个平衡点,产生不同于Lorenz和Colpitts系统的复杂吸引子。对系统的一些基本特性,如平衡点、稳定性、Lyapunov指数谱、分岔图、相轨与庞加莱截面等进行了详细的分析。

matlab插值代码解释FSRCNN 由Pytorch和Matlab复制《加速超分辨率卷积神经网络》（CVPR 2016）论文。 依存关系 Matlab 2016 火炬1.0.0 解释 论文作者url：提供的一些Matlab代码。 使用两种语言进行项目的主要原因是因为双三次插值的实现方式不同，这导致使用PSNR标准时结果的差异更大。 概述 网络概述和与SRCNN的比较： 用法 使用./data_pro/data_aug.m进行扩充。 使用./data_pro/generate_train.m生成train.h5。 使用./data_pro/generate_test.m生成test.h5。 乘坐train.py火车： python train.py 将Pytorch模型.pkl转换为Matlab矩阵.mat。 （weights.pkl-> weights.mat） python convert.py 使用./test/demo_FSRCNN.m获得结果。 结果 使用./model/weights.mat可以得到结果： Set5平均：重建PSNR = 32.52dB VS双三次PSNR

裂纹是典型的线结构，在许多计算机视觉应用中都很有趣。在实际应用中，路面裂缝等许多裂缝连续性差、对比度低，给利用低层特征进行基于图像的裂缝检测带来了很大的挑战。在本文中，我们提出了深度裂纹——一个端到端可训练的深度卷积神经网络，通过学习用于裂纹表示的高级特征来自动检测裂纹。该方法将在层次卷积阶段学习到的多尺度深度卷积特征融合在一起，以获取线路结构。更详细的表示在大比例尺的feature maps中进行，更全面的表示在小比例尺的feature maps中进行。我们在SegNet的编码器解码器架构上构建深度裂纹网，并对在相同尺度下在编码器网络和解码器网络中生成的卷积特征进行配对融合。

针对遥感图像中的目标检测问题，采用基于卷积神经网络的目标检测框架对目标进行提取，针对该网络制作了包含三类遥感图像中常见目标的目标检测数据集。为了解决遥感图像目标旋转角度较大的问题，将空间变换网络融入超快区域卷积神经网络，提出了一种具有旋转不变性自学习能力的目标检测模型。通过与传统的目标检测方法进行对比分析，探究了不同方法对遥感图像目标检测的实际效果。相对于传统的目标检测方法，融合了空间变换网络的卷积神经网络所提取的特征具有更好的旋转不变特性，从而能够达到更高的检测精度。

赫优迅Interbus诊断软件SyCon第2卷rar,本资料是关于赫优迅Interbus诊断软件SyCon第2卷，更多详细内容请点击下载！

全卷积网络（Penn-Fudan Database数据集）