B树的删除.swfB树的生长过程.swf三元组表的转置.swf中序线索化二叉树.swf串的顺序存储.swf二分查找.swf二叉排序树的删除.swf二叉排序树的生成.swf二叉树的建立.swf克鲁斯卡尔算法构造最小生成树.swf冒泡排序.swf分块查找.swf单链表结点的删除.swf单链表结点的插入.swf图的深度优先遍历.swf基数排序.swf堆排序.swf头插法建单链表.swf寻找中序线索化二叉树指定结点的前驱.swf寻找中序线索化二叉树指定结点的后继.swf尾插法建表.swf希儿排序.swf开放定址法建立散列表.swf循环队列操作演示.swf快速排序.swf拉链法创建散列表.swf拓扑排序.swf最短路径.swf朴素串匹配算法过程示意.swf构造哈夫曼树的算法模拟.swf构造哈夫曼树过程.swf栈与递归.swf树、森林和二叉树的转换.swf桶式排序法.swf直接插入排序.swf直接选择排序.swf规并排序.swf邻接表表示的图的广度优先遍历.swf邻接表表示的图的深度优先遍历.swf顺序查找.swf顺序栈（4个存储空间）.swf顺序栈（8个存储空间）.swf顺序表的删除运算.swf顺序表的插入.swf顺序队列操作.swf
2025/1/18 22:04:36
939KB
1
StereoMatch立体匹配算法，包括SSDSADSSDNCCNSSDCensus等基本算法，。
用Ｃ／Ｃ＋＋语言编写，适合初学者学习！
用Ｃ／Ｃ＋＋语言编写，适合初学者学习！
2024/10/25 12:49:47
12KB
1
Java质量检查工具类以下是一些工具，可确保在执行以下操作时遵循良好的做法：单元测试的代码覆盖率。
团队中的通用编码标准。
避免简单的错误，例如未使用的变量，方法，空的catch块，吃异常而不是抛出异常等。
避免复制/粘贴大于特定数量的令牌的代码。
哈科科是用于测量和报告Java代码覆盖率的开源工具包。
jacoco的Gradle配置位于。
命令：gradletestintegrationTestjacocoTestCoverageVerification输出：请注意，该服务包已被排除，因为在此示例中将其视为集成测试。
这只是出于演示目的，在现实生活中，也应为服务包编写单元测试。
PMD是源代码分析器。
它发现常见的编程缺陷，例如未使用的变量，空的catch块，不必要的对象创建等。
PMD的Gradle配置位于。
PMD检查在中定义。
命令：gradlepmdMain输出：持续专业发展是PMD提供的复制/粘贴检测器。
它有助于查找重复的代码。
它是使用字符串匹配算法编写的。
CPD的Gradle配置位于。
命令：gradlec
团队中的通用编码标准。
避免简单的错误，例如未使用的变量，方法，空的catch块，吃异常而不是抛出异常等。
避免复制/粘贴大于特定数量的令牌的代码。
哈科科是用于测量和报告Java代码覆盖率的开源工具包。
jacoco的Gradle配置位于。
命令：gradletestintegrationTestjacocoTestCoverageVerification输出：请注意，该服务包已被排除，因为在此示例中将其视为集成测试。
这只是出于演示目的，在现实生活中，也应为服务包编写单元测试。
PMD是源代码分析器。
它发现常见的编程缺陷，例如未使用的变量，空的catch块，不必要的对象创建等。
PMD的Gradle配置位于。
PMD检查在中定义。
命令：gradlepmdMain输出：持续专业发展是PMD提供的复制/粘贴检测器。
它有助于查找重复的代码。
它是使用字符串匹配算法编写的。
CPD的Gradle配置位于。
命令：gradlec
2024/10/1 16:09:40
1.27MB
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
静脉识别，生物识别的一种。
静脉识别系统一种方式是通过静脉识别仪取得个人静脉分布图，依据专用比对算法从静脉分布图提取特征值，另一种方式通过红外线CCD摄像头获取手指、手掌、手背静脉的图像，将静脉的数字图像存贮在计算机系统中，实现特征值存储。
静脉比对时，实时采取静脉图，运用先进的滤波、图像二值化、细化手段对数字图像提取特征，采用复杂的匹配算法同存储在主机中静脉特征值比对匹配，从而对个人进行身份鉴定，确认身份。
静脉识别系统一种方式是通过静脉识别仪取得个人静脉分布图，依据专用比对算法从静脉分布图提取特征值，另一种方式通过红外线CCD摄像头获取手指、手掌、手背静脉的图像，将静脉的数字图像存贮在计算机系统中，实现特征值存储。
静脉比对时，实时采取静脉图，运用先进的滤波、图像二值化、细化手段对数字图像提取特征，采用复杂的匹配算法同存储在主机中静脉特征值比对匹配，从而对个人进行身份鉴定，确认身份。
2024/9/3 5:18:33
405KB
1
分析了LogGabor滤波器的性能，详述了用于指纹识别的LogGabor滤波器的构造方法，在此基础上提出了基于LogGabor滤波器的指纹纹理匹配算法。
首先采用了一种快速有效的参考点定位方法，在确定有效区域并归一化后，通过傅里叶变换把指纹图像转换到频域，在频域进行logGabor滤波，最后在滤波图像中提取特征，并与传统方法作了比较。
实验结果表明，所提出算法的性能优于基于Gabor滤波的纹理匹配方法和基于细节点的方法，提高了指纹识别的准确率。
首先采用了一种快速有效的参考点定位方法，在确定有效区域并归一化后，通过傅里叶变换把指纹图像转换到频域，在频域进行logGabor滤波，最后在滤波图像中提取特征，并与传统方法作了比较。
实验结果表明，所提出算法的性能优于基于Gabor滤波的纹理匹配方法和基于细节点的方法，提高了指纹识别的准确率。
2024/8/30 8:06:55
373KB
1
针对小基高比立体匹配中的"黏合"现象和深度精度问题,提出一种小基高比立体匹配方法.该方法通过将自适应窗口技术和多窗口策略相结合为参考图像确定匹配窗口;然后根据规范化互相关函数和"胜者全取"策略计算整数级视差;再以整数级视差为基础利用基于二分法的亚像素匹配方法计算亚像级视差;最后采用基于图像分割的迭代传播方法以获得稠密视差图.实验结果表明:该立体匹配算法减少了小基高比匹配中的"黏合"现象,同时获得了稠密的高精度亚像素级视差,其亚像素精度可优于1/20个像元.
2024/8/28 0:34:33
643KB
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