OctNet使用有效的空间分区结构（即八叉树）来减少内存和计算3D卷积神经网络的需求，从而实现高分辨率的深度学习。
这是本文的代码：
， 和
我们展示了OctNet，它是稀疏3D数据的深度学习表示。 与现有模型相比，我们的表示支持深度和高分辨率的3D卷积网络。 为了实现这一目标，我们利用输入数据中的稀疏性，使用一组不平衡的八叉树来对空间进行分层划分，其中每个叶节点都存储一个池化的要素表示。 这样可以将内存分配和计算集中到相关的密集区域，并在不影响分辨率的情况下实现更深的网络。 通过分析分辨率对几个3D任务的影响，包括3D对象分类，方向估计和点云标记，我们演示了OctNet表示的实用性
2021-09-07 16:47:43
640KB
1
Image-Super-Resolution, 在Keras中，超分辨率CNN的实现 Keras 2 中的图像超分辨率利用深度卷积网络实现Keras中图像超分辨率CNN的实现。还包含上述模型的模型，称为扩展超分辨率，Denoiseing自动编码器SRCNN优于上述模型。设置支持带有Theano和Tensorflo
2021-09-07 15:36:36
38.87MB
1
基于ＦＰＧＡ的碰碰球游戏，通过VGA在1280x1024分辨率的液晶显示器上显示，主控芯片用的是ALTERA公司的 Cyclone2 系列EP2C5T144，通过两个按键来控制游戏，在数码管上显示得分情况，并且带有背景音乐（ＰＳ：背景音乐没有处理好，声音不是太正
2021-09-07 15:35:55
1.31MB
1