细节增强的matlab代码多尺度曝光融合 2017年细节增强型多尺度曝光融合的matlab代码本文分为A和B部分。 零件代码：主要用于融合不同的曝光图像，此处的代码基于参考文献[12]和[13]进行了一些修改。 B部分的代码：主要是为了增强融合图像的细节，而优化部分的代码则基于参考文献[31]。

A One-Dimensional Vision Transformer with Multi-scale Convolution Fusion for Bearing Fault Diagnosis

多尺度一维ResNet 这是我们的变型，但它是一种超轻加权分类网络用于与1D卷积操作，其中1D与时间轴沿内核扫描时间串行数据。 多刻度设置受Inception启发，我们发现它很有用。 经过测试的环境 python 3.6 火炬0.4.1 CUDA 8.0 / 9.0 Windows7 / Ubuntu 16.04

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

matlab si模型代码ECCV-通过多尺度卷积神经网络进行单幅图像去雾 任文奇、刘思、张华、潘金山、曹晓春、杨明轩 2016 年 10 月 10 日发布。 这些代码基于 MatConvNet。 描述 这是 ECCV16 论文的测试实现：Single Image Dehazing via Multi-scale Convolutional Neural Networks。 我们提供测试演示以及预训练模型。 脚本和预训练模型 这是我们在 ECCV16 中的去雾论文的演示实现。 此测试代码基于 MatConvNet 工具箱。 您应该首先在您的计算机上编译 MatConvNet，然后使用“demo_MSCNNdehazing.m”来测试您的图像。 “MSCNN_dehazing\matlab”文件夹中当前发布的编译版本可以直接在Win7电脑上使用。 引文 @inproceedings{Ren-ECCV-2016, 作者 = {任、文奇与刘、司与张、华与潘、金山与曹、小春与杨、明轩}， title = {通过多尺度卷积神经网络进行单图像去雾}， booktitle = {欧洲计算机视觉会议}

Res2Net 论文正式实现 我们的论文被IEEE Transactions on Pattern Analysis and Machine Intelligence（TPAMI）接受。 更新 2020.10.20 PaddlePaddle版本Res2Net达到85.13％top-1 acc。 在ImageNet上： 。 2020.8.21发布了使用Res2Net进行检测和分割的在线演示： ://mc.nankai.edu.cn/res2net-det 2020.7.29在ImageNet上发布Res2Net的培训代码 （仅用于非商业用途） 2020.6.1 Res2Net现在位于新的深度学习框架的官方模型动物园中。 2020.5.21 Res2Net现在是MMDetection v2框架中的基本骨干之一。 结合使用MMDetection v2和Res2Net，可以以更少的计

通过耦合ABAQUS和DIGIMAT，开发了两种尺度的程序(宏观层面的有限元和微观层面的均匀化)。将给出一些应用来说明DIGIMAT作为输入的描述材料微观结构的参数与ABAQUS预测的全局响应之间的联系

数据融合matlab代码多尺度深度CNN用于锐化 （1）该matlab代码包括两个用于MS和Pan图像融合的深层卷积网络的实现：MSDCNN：Q. Yuan，Y. Wei，X. Meng等，《遥感图像的多尺度和多深度卷积神经网络》。泛磨削[J]。 IEEE在应用地球观测与遥感中精选主题杂志，2018，11（3）：978-989。 DRPNN：Wei Y，Yuan Q，Shen H等。 关键词：学习深度残差网络，提高多光谱图像的锐化精度IEEE地球科学与遥感快报，2017，14（10）：1795-1799。 （2）在运行代码之前，您至少需要在设备上编译MatConvNet。 如果您想训练自己的模型，也建议使用Caffe和MatCaffe。 *当前提供的模型仅支持融合4波段的MS图像和1波段的PAN图像，例如QuickBird，IKONOS和Pleiades。 （3）如果您只想使用作者训练的模型来融合您的数据，请执行以下操作： 一种。 将您的matlab路径设置为此文件夹，然后添加所有子文件夹。 b。 将您的MS和Pan图像放在./testdata中，并使用它们的文件名替换文件“ Demo

最新的video transformer工作