FAST角点检测的最初始的英文原文，EdwardRosten和TomDrummond在2006年发表。
我的博客里有详细的介绍这个算法，欢迎相互交流＞_＜http://blog.csdn.net/tostq

上传的是txt文件,里面含有数据集的下载链接和密码，下载方式为百度网盘。
数据集文件是在清华实验室采集到的交通路口图片的基础上，使用labelme对其进行交通信号灯的标注，标注采用VOC格式，全部手工标注，标注图片一共9812张，耗时两个月左右，质量有保证。
标注类别共18类，包括红灯，绿灯，黄灯的各类箭头，以及行人，自行车的信号灯类别。
整体文件包括原始图片，对应标签，保存有文件名的txt文件以及含有具体类别名称的txt文件。
全部打包上传。
已经经过本人使用YOLOV3和fast-r-cnn模型亲自测试,数据集数据真实有效。
相关的模型的文件和训练文件也已经全部上传，可在我发布的其他资源里找到

FAST算法原理：若某像素与其四处邻域内足够多的像素点相差较大，则该点大若是角点。
用FAST算法检测角点，替换差分高斯金字塔取极值检测角点的方式，速率块；
接着用SIFT特色描摹符描摹角点，省略尺度空间值，只用原图像中角点邻域的梯度值以及倾向盘算角点主倾向，接着盘算32个倾向向量来描摹角点。
之以及可用于特色点匹配。

深度学习之卷积神经收集CNN做手写体识另外VS代码。
反对于linux版本以及VS2012版本。
tiny-cnn:AC++11implementationofconvolutionalneuralnetworks========tiny-cnnisaC++11implementationofconvolutionalneuralnetworks.designprinciple-----*fast,withoutGPU98.8%accuracyonMNISTin13minutestraining(@Corei7-3520M)*headeronly,policy-baseddesignsupportednetworks-----###layer-types*fully-connectedlayer*convolutionallayer*averagepoolinglayer###activationfunctions*tanh*sigmoid*rectifiedlinear*identity###lossfunctions*cross-entropy*mean-squared-error###optimizationalgorithm*stochasticgradientdescent(with/withoutL2normalization)*stochasticgradientlevenbergmarquardtdependencies-----*boostC++library*IntelTBBsamplecode------```cpp#include"tiny_cnn.h"usingnamespacetiny_cnn;//specifyloss-functionandoptimization-algorithmtypedefnetworkCNN;//tanh,32x32input,5x5window,1-6feature-mapsconvolutionconvolutional_layerC1(32,32,5,1,6);//tanh,28x28input,6feature-maps,2x2subsamplingaverage_pooling_layerS2(28,28,6,2);//fully-connectedlayersfully_connected_layerF3(14*14*6,120);fully_connected_layerF4(120,10);//connectallCNNmynet;mynet.add(&C1);mynet.add(&S2);mynet.add(&F3);mynet.add(&F4);assert(mynet.in_dim()==32*32);assert(mynet.out_dim()==10);```moresample,readmain.cppbuildsampleprogram------###gcc(4.6~)withouttbb./wafconfigure--BOOST_ROOT=your-boost-root./wafbuildwithtbb./wafconfigure--TBB--TBB_ROOT=your-tbb-root--BOOST_ROOT=your-boost-root./wafbuildwithtbbandSSE/AVX./wafconfigure--AVX--TBB--TBB_ROOT=your-tbb-root--BOOST_ROOT=your-boost-root./wafbuild./wafconfigure--SSE--TBB--TBB_ROOT=your-tbb-root--BOOST_ROOT=your-boost-root./wafbuildoreditinlude/co

在目前繁杂收集聚类算法中，基于Laplace特色值的谱聚类方式具备大雅的数学实际以及较高的精度，但受限于该方式对于簇结构数目、规模等先验学识的依赖，难以实际使用。
针对于这一下场，基于Laplace矩阵的Jordan型变更，提出了一种先验学识的自动患上到方式，实现为了基于Jordan矩阵特色向量的初始松散。
基于Jordan型特色值定义了簇结构的模块化密度函数，并使用该函数以及初始松散下场实现为了高精度聚类算法。
该算法在多个数据群集的试验下场评释，与目前主流的Fast-Newman算法、Girvan-Newman算法相比，基于Laplace矩阵Jordan型聚类算法在不依赖先验学识的情景下，实现为了更高的聚类精度，验证了先验学识患上到方式的实用性以及正当性。

renren-fast是一个轻量级的SpringBoot2.1快速开发平台，其设计目标是开发迅速、学习简单、轻量级、易扩展；
使用SpringBoot、Shiro、MyBatis、Redis、Bootstrap、Vue2.x等框架，包含：管理员列表、角色管理、菜单管理、定时任务、参数管理、代码生成器、日志管理、云存储、API模块(APP接口开发利器)、前后端分离等

使用fsl进行MRI脑图像分析，安装教程，fslCourse，bet去除颅骨，fslroi选取感兴味区域，FAST分割+偏置场校正，PartialVolumeSegmentation图像分割结果，fslstats统计，FIRST皮层下结构分割及统计分析，VertexAnalysis，VolumetricAnalysis，信息汇总

Fast-SCNN的PyTorch完成：快速语义分割网络

fast软件安装教程，以及阐明书，详细简述了fast8的好处

基于相机的2D特征跟踪这是功能跟踪模块，用于评估自动车辆碰撞检测系统的各种检测器/描述符组合。
该项目包括四个部分：加载图像，设置数据结构并将所有内容放入环形缓冲区以优化内存负载。
集成了几个关键点检测器，例如HARRIS，FAST，BRISK和SIFT，并就关键点数量和速度进行了比较。
使用蛮力以及FLANN方法提取和匹配描述符。
以不同的组合测试各种算法，并就某些功能指标进行比较。
本地运行的依赖项cmake＞=2.8所有操作系统：make＞=4.1（Linux，Mac），3.81（Windows）Linux：大多数Linux发行版默认都安装了makeMac：Windows：OpenCV＞=4.1必须使用-DOPENCV_ENABLE_NONFREE=ONcmake标志从源代码进行编译，以测试SIFT和SURF检测器。
Open

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。