一、实验目的1、深入掌握视音频的基本参数信息2、掌握ffmpeg编译环境配置3、掌握和熟悉提取视音频文件的基本方法二、实验要求1、对ffmpeg的编译环境进行配置；
2、对一个视频文件，提取基本信息（例如，封装格式，码流，视频编码方式，音频编码方式，分辨率，帧率，时长等等），并输出为txt文档。
结果与MediaInfo的信息对比，并截图；
3、对该视频文件，提取视频信息，保存为yuv格式。
结果利用yuv播放器播放并截图；
4、对该视频文件，提取音频信息，保存为wav格式。
结果利用adobeaudition播放并截图。
2、对一个视频文件，提取基本信息（例如，封装格式，码流，视频编码方式，音频编码方式，分辨率，帧率，时长等等），并输出为txt文档。
结果与MediaInfo的信息对比，并截图；
3、对该视频文件，提取视频信息，保存为yuv格式。
结果利用yuv播放器播放并截图；
4、对该视频文件，提取音频信息，保存为wav格式。
结果利用adobeaudition播放并截图。
2023/8/14 11:40:15
132.41MB
1
为了解决小型网络中自治系统内部路由信息的传递，采用了基于距离向量的路由选择协议RIP。
通过对RIP协议的特点、工作原理、报文格式等内容进行深入研究，充分对比了RIPv1、RIPv2的异同，提出了一种典型的实验网络模型。
在GNS3平台上，搭建了仿真的网络环境，配置了路由器和计算机，对设计的网络模型成功实现了仿真。
仿真结果验证了RIP协议的实现方法，为RIP协议在实际网络中的正确部署提供了参考。
通过对RIP协议的特点、工作原理、报文格式等内容进行深入研究，充分对比了RIPv1、RIPv2的异同，提出了一种典型的实验网络模型。
在GNS3平台上，搭建了仿真的网络环境，配置了路由器和计算机，对设计的网络模型成功实现了仿真。
仿真结果验证了RIP协议的实现方法，为RIP协议在实际网络中的正确部署提供了参考。
2023/8/14 8:09:13
665KB
1
系统设计指标的多维性决定了系统设计不存在唯一解或绝对最优解，系统工程师需要结合各类实际约束条件，在不同的设计指标之间进行综合考虑和权衡（有的指标之间存在互斥）。
一般的应对方法，是在系统前期方案设计阶段，针对系统需求拟定多种实现方案，并通过对不同方案的分析、对比，最终确定一种综合最优的方案继续详细设计。
其中，变体管理与配置是系统多方案设计的手段之一。
本文章节安排如下：案例思路概述设计约束模型创建系统架构模型创建计算分析模型-参数图变体的实现-Generalizationrelationship多方案对比分析小结&项目应用展望如上图所示，系统多方案设计和比选大致分为四个步骤：1.确定系统方案架构2
一般的应对方法，是在系统前期方案设计阶段，针对系统需求拟定多种实现方案，并通过对不同方案的分析、对比，最终确定一种综合最优的方案继续详细设计。
其中，变体管理与配置是系统多方案设计的手段之一。
本文章节安排如下：案例思路概述设计约束模型创建系统架构模型创建计算分析模型-参数图变体的实现-Generalizationrelationship多方案对比分析小结&项目应用展望如上图所示，系统多方案设计和比选大致分为四个步骤：1.确定系统方案架构2
2023/8/14 6:05:54
1.38MB
1
基于MATLAB对三相六脉波和十二脉波整流电路进行建模和仿真分析，并就仿真结果对两种整流电路进行分析和对比。
2023/8/13 18:46:56
1.11MB
1
本文发现对比学习（ContrastiveLearning）相关的接受paper非常多，对比学习这几年方法的研究，特别是难样本的选取机制以及在CV、NLP、DM上应用也非常广，也是当前比较火的topic。
2023/8/12 13:42:07
27.12MB
1
本文来自csdn，文章先来卷积神经网络和全连接神经网络对比，接着让我们直观理解卷积，卷积计算流程，结合案例进行相关的介绍。
卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。
它包括卷积层(convolutionallayer)和池化层(poolinglayer)。
对比：卷积神经网络、全连接神经网络左图：全连接神经网络（平面），组成：输入层、激活函数、全连接层右图：卷积神经网络（立体），组成：输入层、卷积层、激活函数、池化层、全连接层在卷积神经网络中有一个重要的概念：深度卷积
卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。
它包括卷积层(convolutionallayer)和池化层(poolinglayer)。
对比：卷积神经网络、全连接神经网络左图：全连接神经网络（平面），组成：输入层、激活函数、全连接层右图：卷积神经网络（立体），组成：输入层、卷积层、激活函数、池化层、全连接层在卷积神经网络中有一个重要的概念：深度卷积
2023/8/12 8:42:33
1.35MB
1
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
自计算机视觉产生开始，视觉信息则自动成为其处理的对象。
纹理特征作为视觉信息的重要部分，成为图像特征提取的重点。
针对纹理特征提取中，传统LBP算法作为一种基于灰度的算法，仅仅局限对低分辨率图片，其识别率通常比较低的问题，提出一种基于小波变换的LBP算法。
该算法利用小波变换的局部特性、方向性和多方向性等特点，并结合LBP算法自身具有的旋转不变形、灰度不变形等特点，从而通过小波变换对高分辨率图片的分解，再通过局部二值模式的优势，从而实现对图像纹理特征的提取。
最后通过MATLAB软件编程与ORL数据库的对比测试，改进算法的识别率明显优于传统LBP算法。
纹理特征作为视觉信息的重要部分，成为图像特征提取的重点。
针对纹理特征提取中，传统LBP算法作为一种基于灰度的算法，仅仅局限对低分辨率图片，其识别率通常比较低的问题，提出一种基于小波变换的LBP算法。
该算法利用小波变换的局部特性、方向性和多方向性等特点，并结合LBP算法自身具有的旋转不变形、灰度不变形等特点，从而通过小波变换对高分辨率图片的分解，再通过局部二值模式的优势，从而实现对图像纹理特征的提取。
最后通过MATLAB软件编程与ORL数据库的对比测试，改进算法的识别率明显优于传统LBP算法。
2023/7/30 13:38:49
730KB
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