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

这是用于弱信号检测的二阶匹配随机共振的教程示例。 详情请参考'董H，王H，沉X，等。 二阶匹配随机共振对弱信号检测的影响[J]． IEEE Access，2018，6：46505-46515。' 或联系董海涛（haitaodong@mail.nwpu.edu.cn 或 hai3water@126.com）。 享受！

用于弱信号检测的二阶匹配随机共振效应的SMSR仿真