原创 範數運算

L0範數:主要被用來度量向量中非零元素的個數。 L1範數:向量x中非零元素的絕對值之和。(曼哈頓距離、最小絕對誤差)使用L1範數可以度量兩個向量間的差異,如絕對誤差和。 L2範數:A的轉置共軛矩陣與矩陣A的積的最大特徵根的平方

原创 詳細理解RGB圖像、全色圖像、多光譜圖像、高光譜圖像 詳細理解RGB圖像、全色圖像、多光譜圖像、高光譜圖像

詳細理解RGB圖像、全色圖像、多光譜圖像、高光譜圖像 原創 chaolei_9527 最後發佈於2018-02-28 20:51:16 閱讀數 27652 收藏

原创 matlab小波基的查看方法

http://blog.sina.com.cn/s/blog_6c00b0e301010jq1.html

原创 CNN---用於圖像分類的經典的卷積神經網絡CNN

文章目錄概覽1.計算機視覺簡介:2.圖像分類一、LeNet-51.模型架構2.模型簡介3.模型特點二、AlexNet1.網絡架構2.模型介紹3.模型特點三、VGGNet1.模型架構2.模型簡介3.模型特點四、GoogLeNet1.

原创 常用小波基函數以及多尺度多分辨率的理解1

小波分析中用到的小波函數具有不唯一性,即小波函數具有多樣性。使用不同的小波基分析同一個問題會產生不同的結果。 以下列出15種小波基函數是matlab支持的15種: 小波函數 Harr Daubechies Biortho

原创 2019-12-14卷積神經網絡CNN模塊化剖析

文章目錄一、深度學習概述1.1 發展歷程1.2 深度學習的興起1.3 深度學習的特點1.4 深度學習的優勢二、卷積神經網絡剖析2.1 卷積層2.2 池化層2.3 非線性激活函數2.4 全連接層2.5 損失函數2.6 反向傳播2.

原创 利用深度學習進行高光譜圖像分類SCI論文分析

Weiwei Song, Student Member, IEEE, Shutao Li , Senior Member, IEEE, Leyuan Fang , Senior Member, IEEE, and Ting Lu

原创 https://blog.csdn.net/BHJ1119/article/details/80524971

1.相機幀率和曝光時間的關係 2.相機曝光時間與增益 https://blog.csdn.net/qq_32790593/article/details/83987171

原创 2019-12-14matlab 批量提取CNN特徵

clear close all addpath ./matlab model= ‘./models/bvlc_reference_caffenet/deploy.prototxt’; weights= ‘./models/bvlc

原创 稀疏表示(Sparse representation)原理理解

正文 稀疏表示(Sparse Representation)也叫作稀疏編碼(Sparse Coding),就是用字典中元素的線性組合去表示測試樣本。 我們現在考慮圖片分類問題,如下: 現在給定一個任務,在字典中找出10張圖片,用

原创 決定係數R^2

https://blog.csdn.net/grape875499765/article/details/78631435

原创 基於稀疏表示的圖像超分辨

轉自:https://blog.csdn.net/qq_31339017/article/details/76177366 基於稀疏表示的圖像超分辨率 摘要:本文提出了一種基於稀疏信號表示來實現單幅圖像超分辨率重建的新方法。

原创 爲何需要設置靜態工作點?

首先若只有信號源,那麼信號源提供的電壓必須保證發射結正偏,也就是需要ui>uon 那麼如果ui幅值太小,三極管的發射結就無法正偏,即使幅值能夠達到很大,也只有在幅值大於uon的時候三極管有放大作用,所以這裏必須有一個直流源,保證三極管能工

原创 稀疏表示字典的顯示 稀疏表示字典的顯示(MATLAB實現代碼)

稀疏表示字典的顯示(MATLAB實現代碼) 本文主要是實現論文--基於稀疏表示的圖像超分辨率《Image Super-Resolution Via Sparse Representation》中的Fi

原创 2019=12-14卷積神經網絡CNN matlab程序

一、卷積網絡原理 1、動機 卷積神經網絡(CNN)是多層感知機(MLP)的一個變種模型,它是從生物學概念中演化而來的。從Hubel和Wiesel早期對貓的視覺皮層的研究工作,我們知道在視覺皮層存在一種細胞的複雜分佈,,這些細胞對於