基于matalba进行代码编写，先进行任意数字语音的录入，然后通过算法，识别当前音频，然后输出对应的数组。
使用matlab编写的语音识别项目，可以进行实验，也可以在我的项目之上进行改进和改善。
使用matlab编写的语音识别项目，可以进行实验，也可以在我的项目之上进行改进和改善。
2024/9/10 14:26:34
21.94MB
1
直线、圆、多边形这是针对09年所写计算机图形学源码重构后的版本。
新版本在实现用多种算法生成直线、圆、多边形等图形图像的同时，使用了双缓存绘图防止图像闪烁，并使用自定义结构扫描线存储所绘连块图形区域提高了二次绘图效率。
同时将所有图形图像封装成类，便于图形的重绘以及旋转、平移、缩放、对称变换等几何操作。
这是真正意义上实现了二维图层操作，而不是一个演示性的算法。
光照实验与消隐借用已有代码，因此代码变量命名风格与之前的不统一。
新版本在实现用多种算法生成直线、圆、多边形等图形图像的同时，使用了双缓存绘图防止图像闪烁，并使用自定义结构扫描线存储所绘连块图形区域提高了二次绘图效率。
同时将所有图形图像封装成类，便于图形的重绘以及旋转、平移、缩放、对称变换等几何操作。
这是真正意义上实现了二维图层操作，而不是一个演示性的算法。
光照实验与消隐借用已有代码，因此代码变量命名风格与之前的不统一。
2024/9/10 5:53:52
84KB
1
引入辅助任务信息有助于立体匹配模型理解相关知识,但也会增加模型训练的复杂度。
为解决模型训练对额外标签数据的依赖问题,提出了一种利用双目图像的自相关性进行多任务学习的立体匹配算法。
该算法在多层级渐进细化过程中引入了边缘和特征一致性信息,并采用循环迭代的方式更新视差图。
根据双目图像中视差的局部平滑性和左右特征一致性构建了损失函数,在不依赖额外标签数据的情况下就可以引导模型学习边缘和特征一致性信息。
提出了一种尺度注意的空间金字塔池化,使模型能够根据局部图像特征来确定不同区域中不同尺度特征的重要性。
实验结果表明:辅助任务的引入提高了视差图精度,为视差图的可信区域提供了重要依据,在无监督学习中可用于确定单视角可见区域;在KITTI2015测试集上,所提算法的精度和运行效率均具有一定的竞争力。
为解决模型训练对额外标签数据的依赖问题,提出了一种利用双目图像的自相关性进行多任务学习的立体匹配算法。
该算法在多层级渐进细化过程中引入了边缘和特征一致性信息,并采用循环迭代的方式更新视差图。
根据双目图像中视差的局部平滑性和左右特征一致性构建了损失函数,在不依赖额外标签数据的情况下就可以引导模型学习边缘和特征一致性信息。
提出了一种尺度注意的空间金字塔池化,使模型能够根据局部图像特征来确定不同区域中不同尺度特征的重要性。
实验结果表明:辅助任务的引入提高了视差图精度,为视差图的可信区域提供了重要依据,在无监督学习中可用于确定单视角可见区域;在KITTI2015测试集上,所提算法的精度和运行效率均具有一定的竞争力。
2024/9/10 3:04:09
8.11MB
1
参数优化的元遗传算法：此存储库中的应用程序仅用于标记多样性映射器。
但是，需要更改几行以合并其他遗传算法
但是，需要更改几行以合并其他遗传算法
2024/9/10 2:51:27
2KB
1
采用的语言是c++,利用面向对象的思想,一些基础的线性代数和空间几何的知识也会用到，编程的框架用的是GLFW，渲染用到的是OpenGL
2024/9/10 0:11:22
359KB
1
yolov3是优秀的目标检测算法，笔者曾用yolov3完成《数字图像处理》的课程设计，课程设计是大型交通标志牌的检测，使用yolov3模型能够获得很好的效果，文件包括yolov3的论文、笔者录制的视频目标检测结果
2024/9/9 20:32:43
46.26MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB