搜索资源列表
vseudo-token
- 内含两篇论文,主要讲述基于梯度金字塔分解的多传感器图像融合技术,-Contains two papers, focuses on multi-sensor image fusion technology based on gradient pyramid decomposition,
自适应
- 解析供给函数的数值导数,梯度导数。提供了一个完全自适应数值微分工具标量和向量值函数。提供了标量函数的导数(高达第四阶)的工具,以及梯度向量、方向导数、雅可比矩阵和Hessian矩阵。为所有工具提供错误估计。 提供鲁棒自适应数值微分(高达第四的衍生物)的用户提供的功能,多为四不整合。它是半智能的,试图使用步长的大小,它最大限度地减少它的导数中的不确定性的估计。 使用高阶方法,尽管在用户需要时完全控制。您可以直接使用所使用的方法的顺序,一般采用的差分方法(向前、向后或中心差分)、广义理查德森加速
ImgHOGFeature
- HOG特征计算,(1)将输入的彩图转换为灰度图; (2)采用Gamma校正法对输入图像进行颜色空间的标准化(归一化);目的是调节图像的对比度,降低图像局部的阴影和光照变化所造成的影响,同时可以抑制噪音的干扰; (3)计算梯度;主要是为了捕获轮廓信息,同时进一步弱化光照的干扰。 (4)将梯度投影到单元的梯度方向;目的是为局部图像区域提供一个编码, (5)将所有单元格在块上进行归一化;归一化能够更进一步对光照、阴影和边缘进行压缩,通常,每个单元格由多个不同的块共享,但它的归一化是基于不同块的
BP网络
- BP(Back Propagation)网络是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法(梯度法),通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input layer)、隐层(hide layer)和输出层(outpu
HPPP&distance matriix &gradient descent method
- 使用HPPP进行多小区、多用户撒点之后,计算任意用户到任意小区的距离,和梯度下降法寻找最优解(After using HPPP for multi cell and multi-user dissemination, the distance between any user and any cell is calculated;and the gradient descent method is used to find the optimal solution.)
CNTK
- 在深度的重要性的驱使下,出现了一个新的问题:训练一个更好的网络是否和堆叠更多的层一样简单呢?解决这一问题的障碍便是困扰人们很久的梯度消失/梯度爆炸,这从一开始便阻碍了模型的收敛。归一初始化(normalized initialization)和中间归一化(intermediate normalization)在很大程度上解决了这一问题,它使得数十层的网络在反向传播的随机梯度下降(SGD)上能够收敛。 当深层网络能够收敛时,一个退化问题又出现了:随着网络深度的增加,准确率达到饱和(不足为奇)然后迅
deblur_saturation_v0.1.tar
- 图像去模糊问题是一个典型的反问题。受制于反问题的内在约束,在其庞 大的解空间中寻找真解或者符合视觉习惯的解都非常困难。再加上观测过程中 引入的噪声,更是制约解的质量。 针对图像去模糊的反问题特性,从模型上来看,已有的方法主要集中在两 个大的方向:1)寻求更恰当的图像先验知识来构造更精确的先验模型。这些 先验经历了从光滑性、分片光滑性、梯度稀疏性等诸多特性的演变,在图像的 盲目和非盲目复原方法中都广泛应用。2)根据对观测噪声的分析设计更合理 的保真项。(The image deblurring p
基于SIFT算法的图像特征点提取与匹配
- 文章深入研究了 SIFT 特征点提取的原理及过程,以基于 K-D 树结构的近邻算 法对呈线性变换的两幅图像在不同视角和噪声干扰情况下进行了特征点的粗匹 配,并通过随机抽样一致性算法(Random Sample Consensus)进行特征点的提纯,删 除例如错误的匹配特征点对。针对粗匹配后误匹配点对较多导致的 RANSAC 算法 效率降低、运算时间变长的情况,论文以视差梯度约束对粗匹配点对进行预筛选, 提升了 RANSAC 算法的效率。根据匹配点对空间位置关系得出图像之间的变换模 型;最后将图像
Untitled2
- BP神经网络基本原理概述:这种网络模型利用误差反向传播训练算法模型,能够很好地解决多层网络中隐含层神经元连接权值系数的学习问题,它的特点是信号前向传播、误差反向传播,简称BP(Back Propagation)神经网络。BP学习算法的基本原理是梯度最快下降法,即通过调整权值使网络总误差最小,在信号前向传播阶段,输入信号经输入层处理再经隐含层处理最后传向输出层处理;在误差反向传播阶段,将输出层输出的信号值与期望输出信号值比较得到误差,若误差较大则把误差信号传回隐含层直至输入层,在各层神经元中使用
HDR_Imaging
- 采用基于梯度的算法,通过matlab实现高动态范围成像。高动态范围图像,相比普通的图像,可以提供更多的动态范围和图像细节,根据不同的曝光时间的低动态范围图像,利用每个曝光时间相对应最佳细节的低动态范围图像来合成最终高动态范围图像,能够更好的反映人真实环境中的视觉效果。这里采用的高斯模糊展示了高动态范围图像中超出取值范围的数值也是有用的,即使它们在转换成低动态范围图像的时候通常都要被裁掉。在原始的高动态范围图像中,这些像素都有非常大的亮度值。当图像模糊的时候,周围的像素亮度被“拉高”并且在色度映射
图像清晰度评价指标Matlab
- 图像清晰度评价函数说明 1、熵: 表示图像所包含的平均信息量的多少,嫡值越大则所含信息量越多。 文件名:entropy.m 结果:EN 2、交叉嫡:反映两幅图像的差异,交叉嫡越小,则融合图像和原图像的差别越小。 文件名:cross_entropy.m 结果:平均交叉嫡MCE,均方根交叉嫡RCE 3、峰值信噪比: PSNR越高,说明融合效果与质量越好。 文件名:psnr.m 结果:PSNR 4、Qabf: 评价边缘或梯度质量,越大边缘越明显 文件名:Qab
rosenbrock
- 最速下降法求梯度,可运行多维变量,很有参考价值(rosenbrock,minisize,matlab)
BAS代码
- 天牛须搜索( beetle antennae search,BAS) 算法是2017 年提出的一种基于天牛觅食原理的适用于多目标函数优化的新技术,其生物原理为: 当天牛觅食时,其并不知道食物在哪里,而是根据食物气味的强弱来觅食。天牛有两只长触角,如果左边触角收到的气味强度比右边大,那下一步天牛就会向左边飞,反之则向右飞。依据这一简单原理天牛就可以有效找到食物。与遗传算法、粒子群算法等类似,BAS 不需要知道函数的具体形式以及梯度信息,就可以自动实现寻优过程,且其个体仅为一个,寻优速度显著提高。(