c++简单调用facenet模型,并对比欧式距离.使用了opencv做人脸检测.其中一些参数暂时写死了.目前的效果一般般.因为opencv对人脸的不同姿态检测并不是太准.(暂时依赖于Qt的QString和QImage)
2023/8/1 6:47:57
5KB
1
低发射率光子晶体(PC)具有高反射特性,在高温环境的强烈照射下,高反射光子晶体会成为亮目标。
为了使光子晶体具有环境适应性,使之在相当宽的照度范围内都能与背景融合,对光子晶体的特性进行了深入研究。
采用改变光子晶体周期数的方法,设计并制作了发射率分别为0.116、0.212、0.307、0.519、0.606、0.718的6种光子晶体,拼接成4块光子晶体迷彩(PCpp),并将其覆盖在仿真目标上。
用8～14μm热像仪观察目标和背景,并记录各个时间点的平均辐射温度数据,利用辐射温度来计算目标和背景之间的欧式距离和目标在此背景下的伪装效率。
对比结果发现,发射率为0.212、0.30
为了使光子晶体具有环境适应性,使之在相当宽的照度范围内都能与背景融合,对光子晶体的特性进行了深入研究。
采用改变光子晶体周期数的方法,设计并制作了发射率分别为0.116、0.212、0.307、0.519、0.606、0.718的6种光子晶体,拼接成4块光子晶体迷彩(PCpp),并将其覆盖在仿真目标上。
用8～14μm热像仪观察目标和背景,并记录各个时间点的平均辐射温度数据,利用辐射温度来计算目标和背景之间的欧式距离和目标在此背景下的伪装效率。
对比结果发现,发射率为0.212、0.30
2023/7/17 7:42:07
2.52MB
1
用MATLAB的编程语言来计算欧式距离，对图像颜色的区分有一定协助用MATLAB的编程语言来计算欧式距离，对图像颜色的区分有一定协助
2015/6/17 18:33:11
404B
1
问题描述最短路径问题是图论中的一个经典问题，其中的Dijkstra算法不断被认为是图论中的好算法，但有的时候需要适当的调整Dijkstra算法才能完成多种不同的优化路径的查询。
对于某城市的公交线路，乘坐公交的顾客希望在这样的线路上实现各种优化路径的查询。
针对上述公交线路，能查询获得任何两个站点之间最便宜的路径针对上述公交线路，能查询获得任何两个站点之间最省时间的路径（不考虑在中间站等下一辆线路的等待时间）针对上述公交线路，能查询获得任何两个站点之间最省时间的路径（要考虑在中间站等下一辆线路的等待时间）实验目的：从实际问题中合理定义图模型，掌握Dijkstra算法使用qt制作UI界面，可实时展现线路图，并附带简单提示功能；
界面中实现了基本的添加线路、删除线路、查找路径、导入导出功能；
主要查找功能基于Dijkstra算法思想实现以下三种功能：1.能查询获得任何两个站点之间最便宜的路径2.能查询获得任何两个站点之间最省时间的路径(不考虑等车时间)3.能查询获得任何两个站点之间最省时间的路径(考虑等车时间)且各功能均可切换曼哈顿距离和欧式距离。
对于某城市的公交线路，乘坐公交的顾客希望在这样的线路上实现各种优化路径的查询。
针对上述公交线路，能查询获得任何两个站点之间最便宜的路径针对上述公交线路，能查询获得任何两个站点之间最省时间的路径（不考虑在中间站等下一辆线路的等待时间）针对上述公交线路，能查询获得任何两个站点之间最省时间的路径（要考虑在中间站等下一辆线路的等待时间）实验目的：从实际问题中合理定义图模型，掌握Dijkstra算法使用qt制作UI界面，可实时展现线路图，并附带简单提示功能；
界面中实现了基本的添加线路、删除线路、查找路径、导入导出功能；
主要查找功能基于Dijkstra算法思想实现以下三种功能：1.能查询获得任何两个站点之间最便宜的路径2.能查询获得任何两个站点之间最省时间的路径(不考虑等车时间)3.能查询获得任何两个站点之间最省时间的路径(考虑等车时间)且各功能均可切换曼哈顿距离和欧式距离。
2020/8/2 23:26:07
22.88MB
1
这里面包含整个基于神经网络深度学习，实现人脸识别项目，包括原始数据，训练数据训练模型测试数据等，包含演示同步ppt文件，使用的开发工具是pycharm，基于python3实现，该案例可做为本科毕设的入门参考，ppt内容包含整个讲解过程，从人脸识别到cnn，卷积，从欧式距离到人脸表情变化的计算详情以及整个卷积的引见，可以做为入门以及会议上引见使用的文档。
参考文件基于CNN卷积神经网络实现人脸识别-人脸表情识别-同步ppt引见及基于python3实现识别源代码。
参考文件基于CNN卷积神经网络实现人脸识别-人脸表情识别-同步ppt引见及基于python3实现识别源代码。
2020/9/21 18:49:32
64.04MB
1
基于欧式距离的分割和基于区域生长的分割本质上都是用区分邻里关系远近来完成的。
由于点云数据提供了更高维度的数据，故有很多信息可以提取获得。
欧几里得算法使用邻居之间距离作为判定标准，而区域生长算法则利用了法线，曲率，颜色等信息来判断点云能否应该聚成一类。
由于点云数据提供了更高维度的数据，故有很多信息可以提取获得。
欧几里得算法使用邻居之间距离作为判定标准，而区域生长算法则利用了法线，曲率，颜色等信息来判断点云能否应该聚成一类。
2016/7/1 9:16:04
4KB
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