从后台获取数据,填充,实现搜索下拉框
2024/9/5 2:21:07 366KB 搜索 下拉
1
小烦内存搜索工具
2024/9/3 9:48:13 1.66MB 小烦内存搜索工具
1
功能齐全的安装程序,具有小巧的尺寸,人性化的设计和高性能。
从SD卡轻松扫描并安装市场和非市场应用程序。
功能齐全的安装程序,具有小巧的尺寸,人性化的设计和高性能。
从SD卡轻松扫描并安装市场和非市场应用程序。
特点:*安装和删除SD卡中的应用程序。
*自动扫描SD卡中的所有APK文件。
使用内置的缓存机制来提高性能,避免一遍又一遍的扫描。
*支持用于多个APK安装和删除的批处理模式。
*显示完整的应用程序信息,包括名称,版本,路径,大小和日期。
*通过名称即时搜索应用程序。
*通过多种方式(例如Gmail,蓝牙等)将应用程序共享给朋友。
*直接从GooglePlay搜索应用程序信息。
*显示
2024/9/1 20:55:14 1.81MB Installer Pro
1
本程序实现了对影像特征点自动提取,利用Morevac、Forstner、Harris3个经典算子。
在此基础上利用相关系数法实现影像自动匹配,并且引入最小二乘平差,使匹配点精度有所提高。
在搜索点过程中,利用了核线影像特性,对二维影像搜索使用了爬山法启发式搜索。
对大数据量影像采用影像金字塔结构处理。
1、使用GDAL库读取影片,支持TIFF、PNG、JPEG、JPG、BMP、GIF、IMG格式读取。
使用GDI绘图。
2、防止大数据量绘图视图闪烁,图片显示采用双缓存技术。
3、保存视图数据为图片文件,支持TIFF、PNG、JPEG、JPG、BMP、GIF格式保存。
4、TreeCtrl控件、ListCtrl控件的基本操作。
5、MFC单文档程序视图通讯、更换视图、视图分割。
1
目标跟踪问题的应用背景是雷达数据处理,即雷达在搜索到目标并记录目标的位置数据,对测量到的目标位置数据(称为点迹)进行处理,自动形成航迹,并对目标在下一时刻的位置进行预测。
下文简要讨论了用Kalman滤波方法对单个目标航迹进行预测,并借助于Matlab仿真工具,对实验的效果进行评估。
里面包括三个源程序,和一份实验报告,里面有算法的详细分析和情景假设。
2024/8/31 9:13:24 119KB 卡尔曼滤波 目标跟踪
1
1.无限设置多个关键词和长尾词,软件会自动使用搜索智能引擎搜索,获取结果的域名进行网站空间文件扫描。
2.智能引擎搜索支持多种主流搜索引擎,目前支持百度,GOOGLE,有道,搜狗,雅虎,搜搜。
3.可导入自己本地域名文件域名扫描,用以扫描自己采集的域名。
4.查找文件自定义,支持多个查找文件,并支持变量类型。
5.自定多线程高速扫描,普通ADSL开150线程平均每分钟可发送HTTP请求10000次以上。
6.扫描结果自动查询文件类型(Content-Type)文件大小(Content-Length)。
7.结果过滤功能,可过滤大小小于指定字节的文件,可过滤文件类型为未知以及文件大小为未知的结果,最大限度清除垃圾结果(可过滤比如自定义404错误页面或者防盗链组件生成的页面)。
目前支持23个变量分别为:功能灰常强大,具体请看下放截图.1.flashfxp.zip代表扫描域名空间是否有FTP打包备份=flashfxp.zip2.flashfxp.rar代表扫描域名空间是否有FTP打包备份=flashfxp.rar3.新建文件夹.rar代表扫描域名空间是否有新建
1
很简单实用的源码,没有错,可以使用。
要注意安卓6.0的sdk需要运行时权限Manifest.permission.ACCESS_FINE_LOCATION,不然不能搜索到新设备。
2024/8/31 6:05:40 3.41MB 安卓 蓝牙 源码
1
Kibana是一个开源分析和可视化平台,旨在与Elasticsearch协同工作。
您使用Kibana搜索,查看和与存储在Elasticsearch索引中的数据进行交互。
您可以轻松地执行高级数据分析,并在各种图表,表格和地图中可视化您的数据。
Kibana使您可以轻松理解大量数据。
其简单的基于浏览器的界面使您能够快速创建和共享动态仪表板,实时显示Elasticsearch查询的更改。
设置Kibana非常容易。
您可以安装Kibana并在几分钟内开始探索您的Elasticsearch索引-无需代码,无需额外的基础架构。
2024/8/31 2:55:58 266.04MB kibana elasticsearch
1
离散数学英文第六版偶数题答案(可搜索版)
2024/8/30 21:07:43 9.96MB 离散数学 英文版 答案
1
基于哈希的最近邻居搜索已在许多应用程序中变得有吸引力。
但是,在使用汉明距离排序时,散列中的量化通常会降低判别能力。
此外,对于大规模的视觉搜索,现有的散列方法不能直接支持对具有多个源的数据进行有效搜索,而文献表明自适应地合并来自不同源或视图的补充信息可以显着提高搜索性能。
为了解决这些问题,本文提出了一种新颖且通用的方法来构建具有多个视图的多个哈希表,并在按位和按表级别生成细粒度的排名结果。
对于每个哈希表,引入了查询自适应按位加权,以通过同时利用哈希函数的质量及其对最近邻居搜索的补充来减轻量化损失。
从表格的角度来看,针对不同的数据视图构建了多个哈希表作为联合索引,在该哈希表上,提出了特定于查询的排名融合,以通过散布在图表中对按位排名的所有结果进行排名。
在三个著名基准上进行图像搜索的综合实验表明,与最新方法相比,该方法在单表和多表搜索中可分别实现17.11%和20.28%的性能提升。
2024/8/29 18:15:06 896KB Locality-sensitive hashing; hash code
1
共 1000 条记录 首页 上一页 下一页 尾页
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 钉钉 钉钉打卡