去噪声代码matlab
BEADS：具有稀疏性的基线估计和去噪
这是从Matlab转换为Python代码的算法。
请检查Matlab代码和完整的算法。
重定向到@skotaro的用户手册。
2022-09-20 12:26:49
4KB
1
图像去噪是图像处理中的基本问题, 目标是从含噪
的观测图像估计出理想图像, 通常这是一个不适定的反
问题, 大量文献对该问题进行了深入的研究, 不过主要
针对的是加性高斯白噪声, 然而在光量子计数成像系统
中, 如 CCD 固态光电检测器阵列、天文成像、计算 X 射
线成像(CR) 、荧光共焦显微成像等等, 获取的图像往往
受到量子噪声的污染, 量子噪声服从泊松分布的统计法
则, 并非加性噪声, 且噪声强度与方差是信号依赖的, 统
计上, 亮度大的像素受到更多的干扰, 因此去除泊松噪
声是一个困难的任务.
2022-05-09 23:44:28
285KB
1
针对大部分FPGA端上的卷积神经网络（CNN,convolutional neural network）加速器设计未能有效利用稀疏性的问题，从带宽和能量消耗方面考虑，提出了基于线性脉动阵列的2种改进的CNN计算优化方案。首先，卷积转化为矩阵相乘形式以利用稀疏性；其次，为解决传统的并行矩阵乘法器存在较大I/O需求的问题，采用线性脉动阵列改进设计；最后，对比分析了传统的并行矩阵乘法器和2种改进的线性脉动阵列用于CNN加速的利弊。理论证明及分析表明，与并行矩阵乘法器相比，2种改进的线性脉动阵列都充分利用了稀疏性，具有能量消耗少、I/O带宽占用少的优势。
2022-05-04 21:16:05
759KB
1
SMSR
Pytorch实施“探索图像超分辨率中的稀疏性以进行有效推理”，CVPR 2021
强调
在细粒度级别上查找和跳过SR网络中的冗余计算，以进行有效的推理。
通过显着降低FLOP并加快移动设备的速度来保持最先进的性能。
基于原始Pytorch API的稀疏卷积的有效实现，可更轻松地进行迁移和部署。
动机
网络架构
稀疏卷积的实现
为了更轻松地进行迁移和部署，我们使用基于原始Pytorch API的有效稀疏卷积实现，而不是通常基于CUDA的实现。 具体来说，首先从输入中提取稀疏特征，如下图所示。 然后，执行矩阵乘法以产生输出特征。
要求
Python 3.6
PyTorch == 1.1.0
麻木
skimage
意象
matplotlib
cv2
火车
1.准备训练数据
1.1从或下载DIV2K训练数据（800个训练+ 100个验证图像）。
1.2根据HR和LR图像
2022-04-15 07:31:45
6.82MB
1
可以将超声脉冲回波检查中的接收信号建模为脉冲响应和反射序列之间的卷积，这是被检物体的脉冲特性。 去卷积的目的是使该过程近似反转以提高时间分辨率，从而使来自紧密间隔的反射器的回波之间的重叠变小。 本文提出了一种改进的最小熵盲去卷积算法，用于对超声信号进行去卷积。 通过使用提出的方法可以提高分辨率。 另外，在许多情况下，所提出的方法将导致更快的计算。 非线性函数是改进的盲解卷积算法效率的关键，该算法用于通过使用非线性函数的输出替换每个迭代输出来增加迭代输出的稀疏性并减少添加的噪声的影响。 仿真结果表明，在对合成超声信号进行卷积时，与最小熵解卷积相比，修改的效率更高。 使用实际超声数据的实验结果进一步评估，精确的解决方案始终可以产生良好的性能。 薄钢板样品的厚度可以通过改进的盲反褶积滤波器以合理的精度进行计算。
2022-01-05 10:43:46
307KB
1
为了增加基于用户的协同过滤方法在预测Web服务质量时的相似性用户数目，进而提高Web服务的质量，首先构建一个用户相似性网络，并通过链接预测的方法找出潜在的相似性用户，最后综合应用相似性用户和预测出的潜在相似性用户预测用户的Web服务质量。实验表明，提出的方法在提高预测成功率的同时，还降低了预测的误差，因而适用于稀疏的Web服务质量预测。
2021-12-30 16:49:31
808KB
1
为解决协同过滤算法中的数据稀疏性问题，提出了一种改进的协同过滤算法。该算法使用slope-one算法计算出来的评分预测值来填充评分矩阵中的未评分项目，然后在填充后的用户—项目评分矩阵上通过基于用户的协同过滤方法给出推荐。利用slope-one算法计算出来的评分预测值作为回填值，既能降低评分矩阵的稀疏性，也保证了回填值的多样性，从而减少均值、中值等单一填充值造成的推荐误差。在MovieLens-1M数据集上对该改进算法和协同过滤算法及均值中心化处理的算法作五折交叉实验，结果表明，基于评分预测值填充数据后的协同过滤算法有效地缓解了数据稀疏性问题，并且有更好的推荐效果。
2021-12-27 21:40:19
1.08MB
1