对Excel数据进行读取并重新整理至新Excel，并绘制Excel中数据为图表

笔记目录摘要1.简介2.相关工作3.方法3.1生成器模块3.2判别模块3.3优化4.实验4.1实验实现细节4.2生成评估4.3判别评估5.结论论文部分英文解释论文翻译参考 Joint Discriminative and Generative Learning for Person Re-identification arXiv:1904.07223v2 [cs.CV] 22 May 2019 注：限于作者水平，本笔记难免存在不妥之处，欢迎批评指正 摘要 以往的方法生成数据流程与判别性re-id学习阶段保持相对分离 本文则通过更好地利用生成的数据来寻求改进学习的re-id特征 提出了一个将re

RE文件管理器3.3.5：安卓下带Root权限的文件浏览器，安卓开发经常可以派上用途。

matlab人脸识别代码具有两个阶段的人脸对齐重新初始化 CVPR 2017论文“具有两阶段重新初始化的深度回归架构，用于高性能面部地标检测”的测试代码。 要求 Linux OS上Caffe平台的一般环境：。 Matlab 2013a或更高版本 CUDA（如果使用Nvidia GPU） 介绍 由于不同的面部检测器通常会返回具有不同比例和中心偏移的各种面部边界框，因此如果面部界标检测算法可以产生鲁棒的结果而不过多依赖面部检测结果，这将非常有用。 为了显式处理基于回归的界标检测方法中的初始化问题，我们提供了一种具有从头到尾学习的“两阶段重新初始化”的深度回归体系结构。 我们提出的深度架构经过了端到端的培训，并使用各种不稳定的初始化方法获得了可喜的结果。 与许多竞争算法相比，它还具有出色的性能。 我们的方法与其他基准方法在300W和AFLW数据集上的比较如下所示，更多细节可以在初始论文中找到。 运行测试代码 这些模型保存在百度SkyDrive中： 300W型号：链接：密码​​：qzmi aflw的型号：链接：密码​​：1j8e 在此项目中成功构建CAFFE并下载模型后，只需在demo文件夹中

流动换热领域重要无量纲参数 Re数 Pr数 Nu数 Gr数

美国埃默里大学医学院Xiaofeng Yang老师课题组新出的这篇论文对近几年医学图像配准深度学习方法进行了全面综述，根据其方法、特征和流行程度分为七类，对每个类别进行了详细的调研，强调了其重要的点及其相应挑战，帮助读者更好地了解当前的研究现状和思路，并且使用基准数据集对基于深度学习的肺和脑配准方法进行了全面比较，最后也介绍了未来的研究方向。

类激活映射 (CAM) 是一种很好的方法来解释模型为什么将对象分类为对象。 https://jp.mathworks.com/matlabcentral/fileexchange/69357-class-activation-mapping 但是可用于CAM的网络模型是有限的。 Grad-CAM 是将 CAM 推广到适用于多种网络的方法。 通过这个演示，您可以学习从重新训练模型 (AlexNet) 到在其上应用 Grad-CAM 的工作流程。 [日本人] 使用CNN进行深度学习的分类判断准确率极高，被用于很多领域的自动图像判断。另一方面，也有人担心里面是一个黑匣子，“我不知道为什么会做出这个决定”。 类激活映射 (CAM) 对于可视化决定因素非常有用，但对可以应用的网络存在限制。 Grad-CAM 是在任何网络层使用 Gradite 的 CAM 的通用方法。在此示例中，您可以看到从

RE 柯林 微波技术基础 好书，微波学习圣经

CD-Rom for the book "Phase-Locked Loops Design,Simulation and Applications by R.E.Best. A design program for Phase-locked loops circuits

2018 第十一届全国大学生信息安全竞赛 逆向RE 资源文件 由于长度限制390M结果可以脚本跑，不再上传