针对全卷积神经网络多次下采样操作导致的道路边缘细节信息损失和道路提取不准确的问题,本文提出了多尺度特征融合的膨胀卷积残差网络高分一号影像道路提取方法。首先,通过目视解译的方法制作大量的道路提取标签数据;其次,在残差网络ResNet-101的各个残差块中引入膨胀卷积和多尺度特征感知模块,扩大特征点的感受野,避免特征图分辨率减小和道路边缘细节特征的损失;然后,通过叠加融合和上采样操作将各个尺寸的道路特征图进行融合,得到原始分辨率大小的特征图;最后,将特征图输入Sigmoid分类器中进行分类。实验结果表明:本文方法的提取精度优于经典全卷积神经网络模型,准确率达到了98%以上,有效保留了道路的完整性及其边缘的细节信息。

我们构建了在现象学上可行的轻子质量模型，并基于带电的轻子和中微子区中的残差对称性Z3T或Z3ST和Z2S分别分解为模块化A4不变性。 在这些模型中，中微子混合矩阵是三最大混合形式。 除了成功描述带电的轻子质量，中微子质量平方差以及大气和反应堆中微子混合角θ23和θ13之外，这些模型还预测了狄拉克最轻中微子的值（即绝对中微子质量标度） 和中性点CP违背（CPV）相，以及i）太阳中微子混合角θ12和角θ13（确定θ12），ii）Dirac CPV相δ和 角θ23和θ13），iii）中微子质量之和与θ23，iv）无中微子双β衰减有效马约拉那质量和θ23，以及v）两个马约拉那相之间。

提出一种基于线性预测残差倒谱的基音周期检测算法．该算法对语音信号的线性预测残差信号做倒谱变 换，将其作为基音检测特征．并综合残差倒谱峰、短时能量和短时过零率三种特征，构造一个清浊音判决函数，简化 清浊音判决过程，提高判决精度．在基音周期检测过程中，根据基音连续原则，提出峰值重定位方法，有效降低基音 倍频和半频的错误率．对比实验表明，本文算法的性能不仅较之传统的倒谱方法有明显改善，同时也优于目前效果 较好的YIN算法和多尺度小波算法．

布尔莎七参数;公共点残差；大地测量学；坐标换算；大地测量学 的编程作业，含源码，有兴趣的童鞋可以看一看，运行没有任何问题，用于坐标转换，最后成果输出为TXT文件

适合学习的ResNet残差网络，适合配合论文一起使用，非常适合初学者阅读的经典代码。

论文网址 M. Zhao, S. Zhong, X. Fu, et al., Deep residual shrinkage networks for fault diagnosis, IEEE Transactions on Industrial Informatics, DOI: 10.1109/TII.2019.2943898 https://ieeexplore.ieee.org/document/8850096

Matlab如何指定gpu运行代码用于光场重构的高维密集残差卷积神经网络 该项目是Tensorflow的实现 “用于光场重构的高维密集残差卷积神经网络”， IEEE模式分析和机器智能交易，南梦，海登·科赫。 所以，孙星，林德霖，2019年。 “用于光场超分辨率的高阶残差网络” ，第34届AAAI人工智能会议，孟楠，吴晓飞，刘建壮，林德伦，2020年。 要求 的Python2 == 2.7 Python3> = 3.5 Tensorflow r1。*> = r1.8 tqmd OpenCV Unrar 安装 下载专案 git clone https://github.com/monaen/LightFieldReconstruction.git --branch master --single-branch 训练 用于空间或角度或超分辨率任务的训练模型 训练模型以获得空间超分辨率（例如Sx4）。 您需要为不同的空间SR任务指定gamma_S 。 python train_SpatialSR.py --datadir data/train/Spatial/5x5 --gamma_S 4 -

当Microsoft Research发布用于图像识别的深度残差学习时，深度残差网络席卷了深度学习领域。这些网络在ImageNet和COCO 2015竞赛的所有五个主要赛道中均获得了第一名的入围作品，这些竞赛涵盖了图像分类，对象检测和语义分割。此后，ResNets的鲁棒性已被各种视觉识别任务和涉及语音和语言的非视觉任务证明。 压缩包内包含以下参考文档： 1、深度残差学习以进行图像识别— ResNet（Microsoft Research） 2、广泛的残留网络（巴黎埃斯特大学，巴黎高等技术学校） 3、聚集残余转换为深层神经网络- ResNeXt（Facebook的AI研究）

针对现有基于深度学习的图像超分辨率重建方法，其对细节纹理恢复过程中容易产生伪纹理，并且没有充分利用原始低分辨率图像丰富的局部特征层信息的问题，提出一种基于注意力生成对抗网络的超分辨率重建方法.该方法中生成器部分是通过注意力递归网络构成，其网络中还引入了密集残差块结构.首先，生成器利用自编码结构提取图像局部特征层信息，并提升分辨率；然后，通过判别器进行图像修正，最终将图像重建为高分辨率图像.实验结果表明，在多种面向峰值信噪比超分辨率评价方法的网络中，所设计的网络表现出了稳定的训练性能，改善了图像的视觉质量，同时具有较强的鲁棒性.

针对电离层残差法探测和修复周跳的多值性问题，基于实测数据分析了使用相位减伪距法和载波相位变化率法解决问题的可行性、方法、步骤及效果。研究表明，这两种联合算法都能正确地探测和修复周跳，且具有简单有效的特点。