大脸猫的博客

Pre-CFAR DataRange Azimuth Map2019-Deep Learning-based Object Classification on Automotive Radar Spectra 2020-Image Segmentation and Region Classification in Automotive High-Resolution Radar Imagery 2020-YOLO-Based Simultaneous Target Detection and C

为什么池化？池化（Pooling）层和卷积层、全连接层一样，都是卷积神经网络的组成部分。卷积神经网络中的卷积层会将卷积Filter应用于输入图像，以便创建特征映射来总结输入中这些特征的存在。卷积层被证明是非常有效的，在深层模型中叠加卷积层可以让接近输入的层学习低层特征（如线条），在模型中更深（高）的层用于学习高阶或者更抽象的特征，如形状或特定对象。卷积层特征映射输入的一个局限性是它们只能精确记录特征在输入层的位置。这意味着在输入图像中特征位置的小幅移动将导致不同的特征映射。这可以随着重新裁剪

虽然连续时间信号与离散时间信号有许多相似之处，但是也存在一些重要的差别。我们首先来看下离散时间指数信号。

不论是高等数学还是大学物理，欧拉公式都如影随形。因为其重要性和划时代意义，Euler Formula(欧拉公式)有着很多了不起的别称，例如“上帝公式”、“最伟大的数学公式”、“数学家的宝藏”等等。...

1. 连续时间信号与离散时间信号连续时间信号：自变量是连续可变的，因此信号在自变量的连续值上都有定义离散时间信号：定义在离散时刻点上。2. 自变量的变换首先，时移是一种简单且很重要的信号自变量变换。在离散时间情况下的时移如下图所示：这里有两个信号和，它们在形状上是完全一样的，但在位置上互相有个移位。在连续时间情况遇到的时移如下图所示，这里代表一个延时(为正)的，或是一个超前(为负)的。这种形式关联的信号可以在声纳、地震信号处理以及雷达等应用中找...