kaiming He 的guided image filtering 对应的opencv代码。在jj574435561的基本做了重整理，简化了用法。

Region Proposal by Guided Anchoring论文介绍 PPT，介绍论文中Anchor的生成机制

通过改进逻辑和实现 Itoh 的内联方法来删除 2*pi 跳转，而不是调用 unwrap，更新了代码以更快地运行。 允许边缘像素也被展开。 使逻辑与更新的 GoldsteinUnwrap2D_r1 代码更加平行。 更正了 PhaseDerivativeVariance_r1.m 中的一行。 Bruce Spottiswoode 提出的相位解缠法之后的相位质量路径。

1、 训练数据准备 所有数据均放置于Sample\Build\下，其中Build为数据类型，根据自己需要进行修改，本示例数据为512*512大小GF2建筑，训练数据按照: Sample\Build\train\ IMG_T1 -----------------------\ IMG_LABEL -----------------\val\ IMG_T1 -----------------------\IMG_LABEL 2、 训练参数设置 参数和运行皆在dp0_train.py中，主要参数包括： （1） num_epochs，训练批次 （2） learning_rate，学习率 （3） dataset，步骤一自己构建的数据集名称 （4） band，输入数据通道数（波段数） （5） n_class, 模型输出通道数（类别） 3、 训练模型位置 模型结构放与net文件中，生成模型文件pt位于Checkpointspath\ 4、 预测使用 填写参数 Checkpointspath，模型位置名称 Dataset，待预测数据文件夹 Outputpath，输出数据文件夹

显着性方法 介绍 该存储库包含以下显着性技术的代码： XRAI *（，） SmoothGrad *（） 香草渐变（ ，） 引导反向传播（） 综合渐变（） 咬合 Grad-CAM（） 模糊IG *由PAIR开发。 此列表绝不是全面的。 我们正在接受请求添加新方法的请求！ 下载 pip install saliency 或开发版本： git clone https://github.com/pair-code/saliency cd saliency 用法 每个显着性掩码类都从SaliencyMask基类扩展。 此类包含以下方法： __init__(graph, sessio

心电图指导项目 使用深度学习进行心律失常分类的心电图图像分析

深度卷积神经网络(CNNs)在低层次计算机视觉领域引起了广泛的关注。通过很深的CNN网络来提高性能。但随着深度的增加，浅层的信息被忽略掉。受这样的事实启发，我们提出了一种基于注意引导的卷积神经网络(ADNet)去噪方法，主要包括一个稀疏块(SB)、一个特征增强块(FEB)、一个注意块(AB)和一个重构块(RB)。

guided-filter引导滤波进行图像处理，通过引导滤波，利用已存在的图像进行图像复原

论文笔记：Progressive Attention Guided Recurrent Network for Salient Object Detection-附件资源

引导图像过滤演示（Python） 引导图像过滤的简单python演示[He et al。 2010]。 引导滤波器可以像流行的双边滤波器一样执行保留边缘的平滑滤波。 在这个演示包中，我还实现了快速引导过滤器[He et al。 2015]。 结果 简单的噪声图像引导滤波器测试： 原始图像的噪点图像。 引导式滤波器像双边滤波器一样平滑噪声图像。 引导图像：噪点图像。 Epsilon（正则化术语，类似于色彩空间中的sigma）：常数0.05。 半径（类似于坐标空间中的sigma）：[5、10、20] 表现 比较以下过滤器的性能： 双边过滤器：OpenCV实现。 引导式过滤器[He et al。 2010]：已在此软件包中实施。 快速导引过滤器[He et al。 2015]：已在此软件包中实施。 与双边过滤器相比，导引过滤器与坐标的过滤西格玛无关。 快速导引滤波器在该实