图像盲去运动模糊一直是计算机视觉领域的一个经典问题，它的目的是在模糊核未知的情况下恢复清晰图像。考虑到更大的感受野以及多尺度信息对恢复清晰图像中的全局信息以及局部细节信息具有重要作用，因此提出的方法对DeblurGAN方法进行改进，提出一种基于条件生成对抗网络的GR-DeblurGAN（granular residual DeblurGAN）的单图像盲去运动模糊方法，采用细粒度残差模块（granular residual block）作为骨干网络，以此在不增加参数量的情况下，扩大感受野，获得多尺度信息。最后在两个广泛使用的数据集：GoPro数据集以及Kohler数据集上进行算法性能评估，并与代表性算法进行对比。从实验结果可以看出，提出的方法改进效果明显，并且在计算开销上面优于其他算法。

猿 这是APE模型的实现，用于知识库中的细粒度实体类型化的属性和预测实体嵌入 接触： 如果您对代码和数据有任何疑问，请随时与我们联系。 Hailong Jin, jinhl15@mails.tsinghua.edu.cn

以空间遥感数据为研究对象,研究多粒度标记数据的分类问题。首先,根据地表物的不同物理含义,可以得到一个多粒度的决策表。然后,通过知识约简发现隐藏在多粒度决策表中的if-then分类规则。最后,根据实际的遥感数据给出分类的精度。

matlab中rbf源代码支持向量机 在该存储库中，提供了一个MATLAB工具箱，以针对不平衡和多类型分类问题训练和测试基于支持向量机（SVM）的模型。 附加了两个分类技巧，即granularization和binary-tree以形成GBT-SVM模型。 有关该模型的详细信息，请参考我的。 工具箱的构造 文件夹中的代码和脚本可用于构建粒度SVM（GSVM）模型，该模型能够形成树结构分类器。 我在这里列出了名称和相应的注释。 方法 评论 getGranule 通过将主要类别拆分为子集或颗粒来生成平衡的数据集。 myCrossSVM 通过交叉验证和网格化训练SVM模型，内核是可选的。 myGSVM预测 使用训练有素的模型对新样品进行分类。 获取颗粒 为了获得平衡的数据集，您可以使用getGranule作为 >>> [DataGranules] = getGranule(data,label) 输出DataGranules是一个结构，形成为 数据粒度 MajIdx ：主要类别的标签 MinIdx ：次要类别的标签 GraNum ：颗粒数 MinData ：次要样本的数据和标签 MajDat

2022年动态光散射纳米激光粒度仪市场前景分析及研究报告.docx

用于临床文本的细粒度中文分词和词性标注语料库

CTD培训资料粒度分布测定方法验证参考.pdf

【项目实战】Python实现深度神经网络gcForest(多粒度级联森林)分类模型(医学诊断) 资料说明：包括数据+代码+文档+代码讲解。 1.项目背景 2.数据获取 3.数据预处理 4.探索性数据分析 5.特征工程 6.构建GCForest建模 7.模型评估 8.结论与展望 注意事项

ai challenger 2018细粒度情感分类第一名解决方案,统一使用tensorflow和pytorch的一个框架

3.2 细粒度识别算法与视频技术的结合 在落地应用方面，单纯的图片级别的细粒度识别已经很难满足如今日常生活与工业生产 中的需求。随着社会的发展，日常生活中短视频的数量日益增加，工业生产中对工件视频级 别的检验需求也逐渐变多，使得细粒度识别从图像级别到视频级别的发展成为必然。目前视195 频级别的细粒度识别算法较少，需要将图像级的细粒度识别相关技术与普通的视频识别算法 结合起来，来促进视频级别的细粒度识别相关技术的发展。 [参考文献] (References) [1] Lowe D G . Distinctive Image Features from Scale-Invariant Keypoints[J]. International Journal of Computer Vision, 2004, 60(2):91-110. 200 [2] H. Bay, T. Tuytelaars, L. Van Gool. Surf: Speeded up robust features[A]. Lecture Notes in Computer Science[C]. Berlin, Heidelberg, 2006, 404-417. [3] Lecun Y , Bottou L , Bengio Y , et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11):2278-2324. [4] Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks[C]. 205 International Conference on Neural Information Processing Systems[A]. 2012.1106-1114.