一种快速的抗噪声模糊C均值图像分割算法图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出。
该算法结合像素灰度值类似度和隶属度构造了一个新的空间函数。
该空间函数用于更新成员关系，而成员关系又用于迭代地获取聚类中心。
所提出的算法可以在较少的迭代次数下获得理想的分割结果，有效地降低了噪声的影响。
该算法结合像素灰度值类似度和隶属度构造了一个新的空间函数。
该空间函数用于更新成员关系，而成员关系又用于迭代地获取聚类中心。
所提出的算法可以在较少的迭代次数下获得理想的分割结果，有效地降低了噪声的影响。
2015/5/7 2:19:30
288KB
1
Bandizip是一款完全免费的压缩解压软件，支持ZIP,7Z,RAR,ALZ,EGG,TAR,BH,LZH,GZ,BZ2,ISO,CAB,WIM,XZ,ARJ和Z后缀的压缩文档。
可制作exe格式自解压文件、支持unicode字符和批量分割压缩文件。
现在的网络虚实难辨，下载的压缩包，解压前你一定想知道里面有没有自己需要的文件。
这在以往，需要打开WINRAR之类的解压软件才能知晓，如今只需安装了BandiZip这款软件，通过右键菜单，便能预览其中的文件。
7之前没有广告，7版本加入了广告
可制作exe格式自解压文件、支持unicode字符和批量分割压缩文件。
现在的网络虚实难辨，下载的压缩包，解压前你一定想知道里面有没有自己需要的文件。
这在以往，需要打开WINRAR之类的解压软件才能知晓，如今只需安装了BandiZip这款软件，通过右键菜单，便能预览其中的文件。
7之前没有广告，7版本加入了广告
2021/5/16 11:48:30
6.43MB
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
代码包括遥感影像的单图裁剪、批量裁剪；
训练集、验证集和测试集的切分；
目标检测和语义分割影像的数据增强；
32/16位深度转8位深度。
1、主要用于深度学习领域的遥感影像数据处理，主要针对输入数据为tif，转为jpg、png格式，并将数据裁剪为网络可以训练的大小，可以手动调理裁剪步长（即有重叠或无重叠），可以对单张图像进行裁剪，也可对文件夹内的所有图片进行裁剪。
2、可以根据想要划分的训练集、验证集和测试集的比例进行划分，如9:1:1.3、本代码还提供了用于目标检测和语义分割任务的数据的增强，主要包括仿射变换、平移翻转等。
4、此外，代码还针对遥感影像位深度32或者16的转为8位的操作。
本代码可修改性强，为方便理解，每部分代码都进行的标注。
本文件共包含10个python文件。
训练集、验证集和测试集的切分；
目标检测和语义分割影像的数据增强；
32/16位深度转8位深度。
1、主要用于深度学习领域的遥感影像数据处理，主要针对输入数据为tif，转为jpg、png格式，并将数据裁剪为网络可以训练的大小，可以手动调理裁剪步长（即有重叠或无重叠），可以对单张图像进行裁剪，也可对文件夹内的所有图片进行裁剪。
2、可以根据想要划分的训练集、验证集和测试集的比例进行划分，如9:1:1.3、本代码还提供了用于目标检测和语义分割任务的数据的增强，主要包括仿射变换、平移翻转等。
4、此外，代码还针对遥感影像位深度32或者16的转为8位的操作。
本代码可修改性强，为方便理解，每部分代码都进行的标注。
本文件共包含10个python文件。
2017/6/9 19:21:55
24KB
1
经过1年的读者反馈，总结出来的比较完善的加密解密库。
处理加密长度限制处理加密中文Java配套加密解密方法加密过程：str-＞utf8编码-＞字符串分割-＞循环加密-＞拼接-＞结果解密过程：str-＞字符串分割-＞循环解密-＞拼接-＞utf8解码-＞原字符串
处理加密长度限制处理加密中文Java配套加密解密方法加密过程：str-＞utf8编码-＞字符串分割-＞循环加密-＞拼接-＞结果解密过程：str-＞字符串分割-＞循环解密-＞拼接-＞utf8解码-＞原字符串
2015/3/24 3:06:24
6.46MB
1
这项工作基于我们的arXiv技术报告，该报告将出现在CVPR2017中。
我们提出了一种新颖的点云深度网络架构（作为无序点集）。
您还可以查看我们的项目网页以获得更深入的介绍。
点云是一种重要的几何数据结构。
由于其不规则的格式，大多数研究人员将此类数据转换为规则的3D体素网格或图像集合。
但是，这会使数据变得不必要地庞大并导致问题。
在本文中，我们设计了一种直接消耗点云的新型神经网络，它很好地尊重了输入中点的排列不变性。
我们的网络名为PointNet，为从对象分类、部分分割到场景语义解析的应用提供了统一的架构。
虽然简单，但PointNet非常高效且有效。
在这个存储库中，我们发布了代码和数据，用于在从3D外形采样的点云上训练PointNet分类网络，以及在ShapeNetPart数据集上训练部件分割网络。
我们提出了一种新颖的点云深度网络架构（作为无序点集）。
您还可以查看我们的项目网页以获得更深入的介绍。
点云是一种重要的几何数据结构。
由于其不规则的格式，大多数研究人员将此类数据转换为规则的3D体素网格或图像集合。
但是，这会使数据变得不必要地庞大并导致问题。
在本文中，我们设计了一种直接消耗点云的新型神经网络，它很好地尊重了输入中点的排列不变性。
我们的网络名为PointNet，为从对象分类、部分分割到场景语义解析的应用提供了统一的架构。
虽然简单，但PointNet非常高效且有效。
在这个存储库中，我们发布了代码和数据，用于在从3D外形采样的点云上训练PointNet分类网络，以及在ShapeNetPart数据集上训练部件分割网络。
2018/9/6 6:44:53
491KB
1
更新2021/03/27:（1）发布语义分割的预训练模型，其中PointNet++可以达到53.5%的mIoU。
(2)发布预训练模型用于分类和部分分割log/。
2021/03/20：更新分类代码，包括：(1)添加训练ModelNet10数据集的代码。
使用--num_category10.(2)添加仅在CPU上运行的代码。
使用--use_cpu.(3)增加离线数据预处理代码，加速训练。
使用--process_data.(4)添加用于均匀采样训练的代码。
使用--use_uniform_sample.2019/11/26:(1)修复了之前代码中的一些错误并增加了数据加强技巧。
现在只用1024分就可以达到92.8%！(2)增加了测试代码，包括分类和分割，以及可视化的语义分割。
(3)将所有模型整理成./models文件，方便使用。
(2)发布预训练模型用于分类和部分分割log/。
2021/03/20：更新分类代码，包括：(1)添加训练ModelNet10数据集的代码。
使用--num_category10.(2)添加仅在CPU上运行的代码。
使用--use_cpu.(3)增加离线数据预处理代码，加速训练。
使用--process_data.(4)添加用于均匀采样训练的代码。
使用--use_uniform_sample.2019/11/26:(1)修复了之前代码中的一些错误并增加了数据加强技巧。
现在只用1024分就可以达到92.8%！(2)增加了测试代码，包括分类和分割，以及可视化的语义分割。
(3)将所有模型整理成./models文件，方便使用。
2021/5/22 10:51:13
130.98MB
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