在语音识别中,卷积神经网络(convolutional neural networks,CNNs)相比于目前广泛使用的深层神经网络(deep neural network,DNNs),能在保证性能的同时,大大压缩模型的尺寸.本文深入分析了卷积神经网络中卷积层和聚合层的不同结构对识别性能的影响情况,并与目前广泛使用的深层神经网络模型进行了对比.在标准语音识别库TIMIT以及大词表非特定人电话自然口语对话数据库上的实验结果证明,相比传统深层神经网络模型,卷积神经网络明显降低模型规模的同时,识别性能更好,且泛化能力更强.

连续法相对定向+加权迭代法检测粗差

用神经网络确定权重的matlab代码 存储库贡献者：Timothy Dunn，Jesse Marshall，Diego Aldarondo，William Wang，Kyle Severson DANNCE（用于计算人类学的3维对齐神经网络）是一种卷积神经网络（CNN），可从多角度拍摄的视频中计算行为动物上用户定义的解剖学界标的3D位置。 与现有的动物（例如）2D关键点检测方法相比，DANNCE的关键创新在于该网络是完全3D的，因此它可以了解3D图像特征以及相机和地标在3D空间中的相互关系。 我们还使用大鼠运动捕捉和同步视频的大型数据集对DANNCE进行了预训练，因此标准网络对啮齿动物的运动和姿势具有广泛的先验知识。 DANNCE跟踪地标的能力可以很好地转移到小鼠和其他哺乳动物，并且可以在不同的摄像机视角，摄像机类型和照明条件下工作。 示例结果 鼠 鼠 DANNCE安装 DANNCE需要启用CUDA的GPU和适当的驱动程序。 我们已经在NVIDIA GPU（包括Titan V，Titan X Pascal，Titan RTX，V100和Quadro P5000）上测试了DANNCE。

夜间图像光照不均匀, 存在色偏, 去雾难度较大。目前图像去雾算法主要针对白天场景, 有关夜间图像去雾算法的研究较少。基于结构-纹理分层模型提出新的夜间图像去雾算法, 将夜间有雾图像分解为结构层和纹理层。在结构层采用中值滤波器估计环境光, 利用加权范数L1正则化模型对其进行优化, 并进行去雾和颜色校正处理；在纹理层利用离散余弦变换系数估计透射率。最终融合纹理层与去雾后的结构层得到去雾图像。实验结果表明, 采用该算法对夜间图像去雾后图像细节清晰, 颜色自然, 去雾效果显著。

darknet版yolov3无人机检测训练权重，包括几万张图片训练好的yolov3-drone.weights和yolov3-tiny-drone.weights训练好的权重，并附上了测试的视频，用于检测空中的旋翼无人机，目标类别名为drone,有需要的可以下载

目标函数最小化的目的：一方面，使得近似解最大程度接近真解；另一方面，求得构成近似解的待定系数。 数学上，构成目标函数的方法很多，不同的构成方法就形成了不同的数值解法，电磁场中就常见的是：加权余量法和变分法。

EfficienDet一般有好几个版本，可以根据自己的计算资源下载不同的预训练权重，但是预训练权重一般不太好下载，我上传到这里可供大家下载

C++源码，反距离权重法主要依赖于反距离的幂值，幂参数可基于距输出点的距离来控制已知点对内插值的影响。幂参数是一个正实数，默认值为2。（一般0.5到3的值可获得最合理的结果）。

matlab求导代码估算瞬时能量 收集M文件（计算机代码）以实施瞬时能量测量，包括中的“非线性能量算子”，如中所述。 需要Matlab或Octave编程环境。 更新（2019年9月）：该代码的Python版本位于 内容 概述 实现估算频率加权瞬时能量的方法。 实现Teager–Kaiser运算符，通常称为非线性能量运算符，并在参考文献中提出了类似的频率加权运算符。 对于离散信号x（n），简单定义了Teager-Kaiser运算符，如下所示： Ψ[x(n)] = x²(n) - x(n+1)x(n-1) 拟议的能源措施定义为 Γ[x(n)] = y²(n) + H[y(n)]² 其中y（n）是x（n）的导数，使用中心有限差分方程y（n）= [x（n + 1）-x（n-1）] / 2估算，而H [·]是x（n）的离散希尔伯特变换。 参考包含更多详细信息。 快速开始 下面的示例为测试信号（两个正弦信号的和）生成Teager-Kaiser运算符和建议的包络-微分运算符，将以下代码剪切并粘贴到Matlab（或Octave）中： % generate two sinusoidal signals:

《数据机构与算法》三级项目，开发C++类arrayWGraph，用临接数组描述加权无向图，带界面，有报告，开发工具为Visual Studio 2015。本项目开发arrayWGraph类首先对课本上的Graph类进行继承，对其主要的纯虚函数进行逐个的实现，例如构建无向图，增加边，删除边等操作。完全按照面向对象的思想对函数和程序进行编写，除此之外，又增加了一些对于arrayWGraph类使用的操作函数。让使用者使用起来更加的方便。