ESPCN：加入亚像素卷积层的神经网络

1.REDRED-Net(very deep Residual Encoder-Decoder Networks)，即非常深的残差编码器-解码器网络。RED-Net的结构是对称的，每个卷积层都有对应的反卷积层。卷积层在消除损坏的同时捕获图像内容的抽象，反卷积层则对特征图进行上采样和恢复图像细节。每一组镜像对应的反卷积层有着跳跃连接结构，将两部分具有同样尺寸的特征做相加处理。这解决了两个问题：1）当

SRCNN：一种用于单图像超分辨率的深度学习方法

FSRCNN——SRCNN的改进版

自动编码器（AutoEncoder），也称自编码模型，是一种基于无监督学习的数据维度压缩和特征表示方法，目的是对一组数据学习出一种表示。1986年 Rumelhart 提出自编码模型用于高维复杂数据的降维。由于自动编码器通常应用于无监督学习，所以不需要对训练样本进行标记。自动编码器再图像重构、聚类、降维、自然语言翻译等方面应用广泛。

企业数字化转型是利用物联网、云计算、大数据、人工智能、区块链等信息技术，实现前端的数据自动采集、数据自动传输和实时感知，中间的安全存储、实时监控和集中控制，后端智能分析、数据共享和技术支撑。前、中、后端的整合、协同、高效联动和数据共享，有力地推动了传统业务操作流程的重构和工作模式的变革。人工智能在这种转变中发挥着至关重要的作用。人工智能技术有望打破探索和发展的瓶颈，将管理模式从垂直、孤立（传统）转

0 引言随着深度学习领域中各类算法的迅速发展，卷积神经网络（CNN）被广泛应用在了分类任务上，输出的结果是整个图像的类标签。在生物医学领域，医生需要对病人的病灶区域进行病理分析，这时需要一种更先进的网络模型，即能通过少量的图片训练集，就能实现对像素点类别的预测，并且可以对像素点进行着色绘图，形成更复杂、严谨的判断。于是U-Net网络被设计了出来。1 U-Net概念及原理U-Net网络结构最早由Ro

题目:Linear Regression for Face Recognition基于线性回归方法的人脸识别摘要翻译:本文提出了一种新颖的人脸识别方法, 通过线性回归的方法来表述模式识别问题. 使用位于线性子空间的单一对象类模式, 我们开发了一个线性模型, 将探测图像表示为特定类画廊的线性组合. 本文采用最小二乘法求解拟问题, 并判定有利于具有最小重构误差的类别. 所提出的线性回归分类（LRC）算

Flask-WTF 扩展可以把处理 Web 表单，这个扩展对独立的WTForms 包进行了包装，方便集成到Flask应用中。

1. sklearn介绍scikit-learn, 又写作sklearn, 是一个开源的基于python语言的机器学习工具包. 它通过numpy, Scipy和 Matplotlib等python数值计算的库实现的算法应用, 并且涵盖了几乎所有主流机器学习算法.在工程应用中, 用python手写代码来从头实现一个算法的可能性非常低, 这样不仅耗时耗力, 还不一定能够写出构架清晰, 稳定性强的模型.