为提高专利文本自动分类的效率和准确度，提出一种基于双通道特征融合的WPOS-GRU（word2vec and part of speech gated recurrent unit）专利文本自动分类方法。首先获取专利摘要文本，并进行清洗和预处理；然后对专利文本进行词向量表示和词性标注，并将专利文本分别映射为word2vec词向量序列和POS词性序列；最后使用两种特征通道训练WPOS-GRU模型，并对模型效果进行实验分析。通过对比传统专利分类方法和单通道专利分类方法，双通道特征融合的WPOS-GRU专利分类方法提高了分类效果。提出的方法节省了大量的人力成本，提高了专利文本分类的准确度，更能满足大量专利文本分类任务自动化高效率的需要。

提出一种融合步态运动中的人体形状信息特征和下肢运动信息特征的步态识别算法：利用边界跟踪算法获取人体轮廓边界线，并采用傅里叶描述子表达人体轮廓特征；依据人体解剖学的知识定位下肢关节点，并提取下肢角度特征；分别对两种特征进行匹配，然后采用特征融合的方法对匹配结果进行处理。实验结果表明，本算法的性能较基于单个特征的步态识别算法有明显的改善。

遥感影像融合的程序和数据，基于MFC，程序简单易懂，可以用于学习

基于Bayesian压缩感知的融合算法，感兴趣的可以去看看

深度流（FDNet）视频深度估计 这是执行文件 通过融合流向深度提案来估计视频深度 嘉信谢，李Zhuwen，， 在IROS 2020中。 有关更多详细信息，请参见我们的论文（ ）。 如有任何疑问，请联系（ ）。 先决条件 该代码库是使用Tensorflow 1.4.0和Numpy 1.16.2开发和测试的 KITTI特征分割的评估 如果要从KITTI RAW数据生成地线深度，请使用官方网站上提供的此下载KITTI数据集。 同时，我们还提供了GroundTruth Depth保存在npy文件中，可从下载 我们在KITTI Eigen上的最终结果可在 然后跑 python kitti_eval/eval_depth_general.py --kitti_dir=/path/to/raw/kitti/dataset/ or /path/to/downloaded/GoundTruth/n

压缩包内包涵了我所用过的图像融合程序，如小波，PCNN，贝叶斯等算法，仅供参考。

提出了一种基于卷积神经网络和长短期记忆（LSTM）神经网络的深度学习网络结构。采用特征融合的方法，通过卷积网络提取出浅层特征与深层特征并进行联接，对特征通过卷积进行融合，将获得的矢量信息输入LSTM单元。分别使用数据光流信息与红绿蓝信息训练网络，将各网络的结果进行加权融合。实验结果表明，所提模型有效地提高了行为识别精度。

主要介绍了常用的图像融合算法和最新的技术

本资源是用Matlab实现的SIFT+RANSAC图像拼接与融合源码。 其中main.m是主程序，里面对各功能函数有比较详细的说明。 应该是点击运行，然后等待一会就可以跑出最终结果及中间结果。

DF-GAN：用于文本到图像合成的深度融合生成对抗网络 （一种新颖有效的一级文本到图像主干） 官方Pytorch实施对我们的报纸由明道，，， ，，，。 要求 python 3.6+ 火炬1.0+ 易言 恩特克 scikit图像 titan xp（在* .yaml中设置nf = 32）或V100 32GB（在* .yaml中设置nf = 64） 安装 克隆此仓库。 git clone https://github.com/tobran/DF-GAN cd DF-GAN/code/ 数据集准备 下载的预处理元数据并将其保存到data/ 下载图像数据。 将它们提取到data/birds/ 下载数据集并将图像提取到data/coco/ 预训练文本编码器 下载CUB的预训练文本编码器，并将其保存到DAMSMencoders/bird/inception/ 下载针对coco的预训练文本