谈判身份证号码的快捷识别。
起首从身份证图像中患上到0～9共10个号码数字的样本图像，从中提取其空间漫衍特色以及结构特色；
再从待识另外身份证图像中提取各号码数字的空间漫衍特色以及结构特色；
末了用相似系数最大以及结构特色不合原则对于各号码举行识别，并使用Matlab编程实现为了身份证号码的快捷识别。
起首从身份证图像中患上到0～9共10个号码数字的样本图像，从中提取其空间漫衍特色以及结构特色；
再从待识另外身份证图像中提取各号码数字的空间漫衍特色以及结构特色；
末了用相似系数最大以及结构特色不合原则对于各号码举行识别，并使用Matlab编程实现为了身份证号码的快捷识别。
2023/4/25 22:01:41
296KB
1
AI-TANK仿真机械人法度圭表标准_学习资料及样本CC#C++java源代码ai-tank网上搜一下颇有心义的货物颇有研还价钱~~
2023/4/25 2:31:04
6.34MB
1
经由PythonScrapy爬取链家二手房（爬取样本为近一个月成都二手房成交数据）销售数据传到ES以及MySQL法度圭表标准。
可用于ES或者MySQL依据行政地域、户型、小区、房龄、挂牌功夫等多个维度对于成交价钱统计阐发。
可用于ES或者MySQL依据行政地域、户型、小区、房龄、挂牌功夫等多个维度对于成交价钱统计阐发。
2023/4/23 5:11:49
19KB
1
熬炼样本（资源已经附一个熬炼样本）来自ENVICLASSIC导出的ASCLL码格式（文本文件），实施代码会有对于话框申请手动掀开若干个波段的TM图像，有对于话框能够调解输入图像的大小，输入图像展现并以体系功夫命名留存。
代码评释残缺，易于看懂。
代码评释残缺，易于看懂。
2023/4/22 23:50:15
2.3MB
1
为普及蜗杆丈量精度，方案了新的丈量机测头数据收集电路。
基于FPGA并付与自顶向下方案方式以及VerilogHDL编程本领，方案了收集电路的逻辑抑制模块。
基于AD977方案了三通道模数转换电路，每一通道由自力的模数转换器及其前端信号调解电路组成。
FPGA与前端模数转换电路以及后端数据总线之间均方案了电平转换电路。
对于所方案电路在丈量机上举行了综合噪声实际测试，下场评释所收集数据的样本尺度差均低于0.5μm，抵达了预期目的。
基于FPGA并付与自顶向下方案方式以及VerilogHDL编程本领，方案了收集电路的逻辑抑制模块。
基于AD977方案了三通道模数转换电路，每一通道由自力的模数转换器及其前端信号调解电路组成。
FPGA与前端模数转换电路以及后端数据总线之间均方案了电平转换电路。
对于所方案电路在丈量机上举行了综合噪声实际测试，下场评释所收集数据的样本尺度差均低于0.5μm，抵达了预期目的。
2023/4/22 9:32:08
1.63MB
1
1.导入图像，即读取图像。
2.特色提取，遴选感兴趣地域，即选取熬炼集，在这里选取了六块，即在六类事物落选取，之后便是将三维的块–＞二维。
3.在选取的块落选100个点作为熬炼集。
4.行使选取的熬炼样本建树分类模子。
5.料想分类6.rgb可视化
2.特色提取，遴选感兴趣地域，即选取熬炼集，在这里选取了六块，即在六类事物落选取，之后便是将三维的块–＞二维。
3.在选取的块落选100个点作为熬炼集。
4.行使选取的熬炼样本建树分类模子。
5.料想分类6.rgb可视化
2023/4/20 16:03:27
1KB
1
PCL版本为1.6.0allinoneIDE为VS2010本demo实现为了GP的用法，收缩包里有点云样本以及参考文献，告成实现为了点云的三维重修。
2023/4/20 2:37:48
652KB
1
紧接我上一篇，这个代码是使用OpenCV以及自己制作的XML文件对于视频中的车辆举行识另外代码。
由于样本库不是太美满，并且由于OpenCV举行目的识别时对于光线等都比力敏感，阻滞你能在此底子上举行优化患上到你想要的下场。
祝你告成！
由于样本库不是太美满，并且由于OpenCV举行目的识别时对于光线等都比力敏感，阻滞你能在此底子上举行优化患上到你想要的下场。
祝你告成！
2023/4/18 13:52:44
15.09MB
1
行人检测是视频监控中的一个底子下场，连年来已经患上到了长足的普及。
然则，由于源熬炼样本以及目的场景中行人样本之间的差距，在某些人民数据集上熬炼的通用行人检测器的成果在使用于某些特定场景时会明晰飞腾。
另外，在目的场景中手动标志样本也是一项高尚且费时的责任。
咱们提出了一种别致的转移学习框架，该框架能够自动将通用检测器转移到特定于场景的行人检测器，而无需手动标志目的场景中的熬炼样本。
在咱们的方式中，咱们经由对于目的场景使用通用检测器来患上到初始检测下场，咱们将该下场称为目的样本。
咱们使用了多少种线索来过滤目的模板，从末了的检测下场中咱们能够未必它们的标签。
高斯稠浊模子（GMM）用于患上到每一个视频帧中的行为地域以及一些其余目的样本，这些目的样本没法被通用检测器检测到，由于这些目的样本距离摄像机较远。
目的样本以及目的模板之间的相关性以及源样本以及目的模板之间的相关性经由怪异编码举行估算，而后用于盘算源样本以及目的样本的权重。
明显性检测是在源样本以及目的模板之间举行相关性盘算以消除了非明显地域干扰以前的一项必不可少的责任。
齐全这些思考都是在单个目的函数下拟定的，经由对于齐全这些样本削减基于怪异编码的权重来
然则，由于源熬炼样本以及目的场景中行人样本之间的差距，在某些人民数据集上熬炼的通用行人检测器的成果在使用于某些特定场景时会明晰飞腾。
另外，在目的场景中手动标志样本也是一项高尚且费时的责任。
咱们提出了一种别致的转移学习框架，该框架能够自动将通用检测器转移到特定于场景的行人检测器，而无需手动标志目的场景中的熬炼样本。
在咱们的方式中，咱们经由对于目的场景使用通用检测器来患上到初始检测下场，咱们将该下场称为目的样本。
咱们使用了多少种线索来过滤目的模板，从末了的检测下场中咱们能够未必它们的标签。
高斯稠浊模子（GMM）用于患上到每一个视频帧中的行为地域以及一些其余目的样本，这些目的样本没法被通用检测器检测到，由于这些目的样本距离摄像机较远。
目的样本以及目的模板之间的相关性以及源样本以及目的模板之间的相关性经由怪异编码举行估算，而后用于盘算源样本以及目的样本的权重。
明显性检测是在源样本以及目的模板之间举行相关性盘算以消除了非明显地域干扰以前的一项必不可少的责任。
齐全这些思考都是在单个目的函数下拟定的，经由对于齐全这些样本削减基于怪异编码的权重来
2023/4/18 0:39:57
1.18MB
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