文章目录 参考： 参考： 1、blazepose：https://github.com/tensorflow/tfjs-models/tree/master/pose-detection/src/blazepose_mediapipe

第一次来请先看这篇文章：【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等） 文章目录 前言Abstract1. Introduction2 Related Work3 Holistic Attention Network (HAN) for SR3.1

中科院王老师团队的工作，用于做微表情识别。 摘要： Toimprove the efficiency of micro-expression feature extraction,inspired by the psychological studyof attentional resource allocation for micro-expression cognit

论文：Single Image Super-Resolution via a Holistic Attention Network 文章检索出处：2020 ECCV 看点 通道注意已被证明在每一层能有效的保存丰富的特征信息。然而，它将每个卷积层试做一个单独的过程，忽略了不同层之间的联系。为了解决这一问题，本文提出了整体注意网络（HAN），主要贡献如下： 1）引入了一个层注意模块（LAM）

Berthelot D, Carlini N, Goodfellow I, et al. Mixmatch: A holistic approach to semi-supervised learning[J]. arXiv preprint arXiv:1905.02249, 2019. https://github.com/samihaija/mixhop 半监督学习的核心想法是利用无标注的

论文翻译-A holistic representation guided attention network for scene text recognition 原文地址：https://arxiv.org/pdf/1904.01375.pdf【推荐】相关阅读资料下载： 链接：https://pan.baidu.com/s/13SM-GiLwuuNMtuUVMSEkXw 提取码：8j8n【