SRM

主成分分析 （ Principal Component Analysis ， PCA ）或者主元分析。是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间。给定 n 个变量的 m 个观察值，形成一个 n ′ m 的数据矩阵， n 通常比较大。对于一个由多个变量描述的复杂事物，人们难以认识，那么是否可以抓住事物主要方面进行重点分析呢？如果事物的主要方面刚好体现在几个主要变量上，我们只需要将这几个变量分离出来，进行详细分析。但是，在一般情况下，并不能直接找出这样的关键变量。这时我们可以用原有变量的线性组合来表示事物的主要方面， PCA 就是这样一种分析方法。(Principal component analysis (Principal Component Analysis, PCA) or PCA. Is a statistical method to grasp the principal contradiction of things, it can be resolved diverse things out the main factors, revealing the essence of things, simplifying complex problems. The purpose of calculating the main component of high-dimensional data is projected to a lower dimensional space. Given n variables of m observations, forming an n ' m of the data matrix, n is usually large. For a complex matters described by several variables, it is difficult to know, so if you can grab something to focus on key aspects of analysis? If the main aspects of things just reflected on several key variables, we only need to separate out these few variables, for detailed analysis. However, in general, does not directly identify this critical variables. Then we can represent the major aspects of things with a linear combination of the original variables, PCA is one such analysis.)

求解L-1范数最小,利用线性规划算法，实现压缩感知的功能(min L-1 norm)

说明：  使用中值，均值，小波，DCT，PCA五种方法实现对图像的去噪处理。(Five methods, median, mean, wavelet, DCT and PCA, are used to denoise the image.)

CF-net目标跟踪算法在OTB50数据集下的结果(Results of CF-net target tracking algorithm under OTB50 data set)

说明：  我们提出了一个简单、灵活和通用的对象实例分割框架。我们的方法能有效检测图像中的对象，同时为每个实例生成高质量的 segmentation mask。这种被称为 Mask R-CNN 的方法通过添加用于预测 object mask 的分支来扩展 Faster R-CNN，该分支与用于边界框识别的现有分支并行。Mask R-CNN 训练简单，只需在以 5fps 运行的 Faster R-CNN 之上增加一个较小的 overhead。此外，Mask R-CNN 很容易推广到其他任务，例如它可以允许同一个框架中进行姿态估计。我们在 COCO 系列挑战的三个轨道任务中均取得了最佳成果，包括实例分割、边界对象检测和人关键点检测。没有任何 tricks，Mask R-CNN 的表现优于所有现有的单一模型取得的成绩，包括 COCO 2016 挑战赛的冠军。(Mask R-CNN code by HeKaiming)

对有噪声的图像进行图像复原，通过迭代算法实现此功能(Image restoration for noisy images, this function is implemented by an iterative algorithm)

利用正则化方法对模糊图像进行恢复的算法，产生一幅图象，然后加入噪声后对特定的输入正则化参数其进行图象恢复。(The use of regularization method for the restoration of blurred images of the algorithm, resulting in an image, and then adding noise to the input of specific parameters of regularization to restore its image.)

这是我们非线性课程的一次作业，有分岔图，蛛网图，庞加莱截面，希望对大家有用。(This is our first non-linear operation of the curriculum, there is bifurcation diagram, spider diagram, Poincare section, in the hope that useful to everyone.)

基于Gabor 变换的地震反褶积正反变换程序，以及和维纳反褶积的对比程序 (Gabor transform based on seismic deconvolution forward and reverse transform procedures, and the Wiener deconvolution of the comparison program)

基于matlab实现对 图像的亮度提取 以及对其亮度均匀性进行评估！(Matlab-based implementation of image brightness, as well as its extraction to assess the uniformity of brightness!)