注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 卫片工具包含卫星照片 显示、打印(喷绘)、下载、管理和GPS定位等功能。数据一旦下载下来，就可以脱离Internet网工作。所有这些操作均可以使用地理坐标(经纬度)精确地指定范围,也可以直观地在已经下载的卫片上用鼠标指定范围。<br&

  2. 卫片工具包含卫星照片 显示、打印(喷绘)、下载、管理和GPS定位等功能。数据一旦下载下来，就可以脱离Internet网工作。所有这些操作均可以使用地理坐标(经纬度)精确地指定范围,也可以直观地在已经下载的卫片上用鼠标指定范围。一、显示 使用操作菜单的打开卫片数据库包功能打开需要显示的卫片数据。工具安装时自带一个东北半球的数据包，该数据包包含东经0至180度，北纬0至90度的 Google Map第10层数据。卫星照片一共有18层(到目前为止)，层数越大分辨率越高，相邻两层的数据量 比例为平方，

  3. 所属分类：网络攻防

    • 发布日期：2009-06-22
    • 文件大小：1048576
    • 提供者：hlh520232

  1. 数据结构图的遍历及拓扑排序

  2. 图的遍历#include #include #define max 100 //定义节点最大个数 int tag[100]; typedef char datatype; /*----------------定义边信息--------------*/ typedef struct node { int adress; // 记录节点位子 struct node *next; //指向下一条边的指针 } edgenode; /*-------------节点元素---定义类型----------

  3. 所属分类：C

    • 发布日期：2010-05-31
    • 文件大小：6144
    • 提供者：zhouweimin315

  1. 深度图（word文档）

  2. 获取场景中各点相对于摄象机的距离是计算机视觉系统的重要任务之一．场景中各点相对于摄象机的距离可以用深度图(Depth Map)来表示，即深度图中的每一个像素值表示场景中某一点与摄像机之间的距离．机器视觉系统获取场景深度图技术可分为被动测距传感和主动深度传感两大类．被动测距传感是指视觉系统接收来自场景发射或反射的光能量，形成有关场景光能量分布函数，即灰度图像，然后在这些图像的基础上恢复场景的深度信息．最一般的方法是使用两个相隔一定距离的摄像机同时获取场景图像来生成深度图．与此方法相类似的另一种方

  3. 所属分类：其它

    • 发布日期：2011-08-09
    • 文件大小：675840
    • 提供者：ejec7879

  1. C++模板实现的图的遍历算法

  2. 基于C++模板，用邻接矩阵的方式，实现了基本的Graph(map)的构建，并实现了深度优先搜索和广度优先搜索，同时加入了测试用的数据读入和写入函数，便于调试和在本代码基础上进行进一步扩充。

  3. 所属分类：C++

    • 发布日期：2011-08-11
    • 文件大小：698368
    • 提供者：yan234280533

  1. Kinect深度图修复

  2. 程序可以直接拿来执行，需要的各位同仁可以自己下载

  3. 所属分类：C++

    • 发布日期：2014-08-11
    • 文件大小：11534336
    • 提供者：lijingghua1988

  1. 使用Qt实现的阴影映射（源代码）

  2. 要实现基于OpenGL ES 2.0的阴影映射，要攻克这三个技术难点： 1、 熟练操作FBO。帧缓存FBO是需要熟练操控的，因为FBO可以很快地将深度图写入一块显存中，然后作为纹理渲染到真实的场景中。 2、 掌握着色器的使用。由于OpenGL ES 2.0只允许使用着色器来对其进行渲染，因此对着色器的书写熟练程度要求较高。 3、 掌握将float深度数据分拆成vec4再将vec4合并成float的操作。这个已经成为业内熟练掌握的技能之一了，网络上搜索“how to pack float int

  3. 所属分类：QT

    • 发布日期：2015-05-25
    • 文件大小：7168
    • 提供者：jiangcaiyang123

  1. 深度图（Depth Map）

  2. 获取场景中各点相对于摄象机的距离是计算机视觉系统的重要任务之一．场景中各点相对于摄象机的距离可以用深度图(Depth Map)来表示，即深度图中的每一个像素值表示场景中某一点与摄像机之间的距离．机器视觉系统获取场景深度图技术可分为被动测距传感和主动深度传感两大类．被动测距传感是指视觉系统接收来自场景发射或反射的光能量，形成有关场景光能量分布函数，即灰度图像，然后在这些图像的基础上恢复场景的深度信息．最一般的方法是使用两个相隔一定距离的摄像机同时获取场景图像来生成深度图．与此方法相类似的另一种方

  3. 所属分类：讲义

    • 发布日期：2016-08-12
    • 文件大小：675840
    • 提供者：u011771047

  1. 双边滤波处理后的深度图生成的txt文件

  2. 双边滤波处理后的深度图（图像大小640*480,深度值范围0~2.226）生成的txt文件

  3. 所属分类：C++

    • 发布日期：2017-07-20
    • 文件大小：1048576
    • 提供者：u012306391

  1. JS实现深度优先搜索求解两点间最短路径

  2. 本文实例为大家分享了JS实现深度优先搜索求解两点间最短路径的具体代码，供大家参考，具体内容如下 效果： 找出图里点到点最短路径，并打印轨迹 图片如下所示： 代码： const map = [ [0, 1, 1, 0, 1], [1, 0, 0, 1, 0], [1, 0, 0, 0, 1], [0, 1, 0, 0, 0], [1, 0, 1, 0, 0] ] function dfsManager(map, start, end){ var min = 99

  3. 所属分类：其它

    • 发布日期：2020-12-09
    • 文件大小：32768
    • 提供者：weixin_38625464

  1. 在keras中获取某一层上的feature map实例

  2. 在深度学习中，如果我们想获得某一个层上的feature map，就像下面的图这样，怎么做呢？ 我们的代码是使用keras写的VGG16网络，网络结构如图： 那么我们随便抽取一层的数据吧，就拿第四层的pooling以后的结果作为输出吧，参考上面的网络结构，得到的结果维度应该是[1,56,56,128]的尺度。 怎么做呢？ 首先通过keras构建模型： model = VGG16(include_top=True, weights='imagenet') 然后设置输入和输出为：原始的输入和该层对

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：84992
    • 提供者：weixin_38610513

  1. 深度学习基础（四）—— 神经网络各层的意义

  2. 1 卷积层 稀疏交互：减少时间复杂度，提高运算时间。 参数共享： 降低模型参数的存储需求，提高统计效率。 参数共享的特殊形式使得神经网络层具有对平移等变（equivariance）的性质 1.1 卷积神经网络的感受野 1.1.1 感受野的概念 感受野就是视觉感受区域的大小。在卷积神经网络中，感受野的定义是 卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小 1.1.2 感受野的计算 第一层卷积层的输出特征图像素的感受野的大小等于滤波器的大小 计算感受野

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：281600
    • 提供者：weixin_38704701

  1. Task2：动手深度学习

  2. 一、二维卷积层 卷积神经⽹网络（convolutional neural network）是含有卷积层（convolutional layer）的神经⽹网络。 二维卷积层输出的⼆二维数组可以看作是输⼊入在空间维度（宽和⾼高）上某⼀一级的表征，也叫特征图（feature map）。影响元素 的前向计算的所有可能输⼊入区域（可能⼤大于输⼊入的实际尺⼨寸）叫做 的感受野（receptive field）。 二、填充和步幅 填充可以增加输出的⾼高和宽。这常⽤用来使输出与输⼊入具有相同的⾼高和宽。 步

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：577536
    • 提供者：weixin_38680811

  1. 《动手学深度学习》Task5

  2. 1.卷积神经网络基础； 对于CNN中一些概念的理解 1.feature map 在CNN的各个卷积层中，数据都是以３维形式存在的。我们可以把它看成许多个２维平面图叠在一起，其中每个２维图称为一个feature map　. 在输入层，如果是灰度图，只有一个feature map；如果是彩色图片，一般是3个feature map（RGB）。 其他层：层与层之间会有若干个卷积核(kernel),上一层每个feature map跟每个卷积核做卷积，都会产生下一层的一个feature map，如果有N个

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：376832
    • 提供者：weixin_38672812

  1. dagger:dagger是一种快速，并发安全，可变，内存中有向图库，具有零依赖性-源码

  2. 匕首 dagger是一种快速，并发安全，可变，内存中有向图的实现，零依赖 import "github.com/autom8ter/dagger" 设计： 灵活性 全球状态查看以手动管理图状态 并发安全 高性能 简单的api 特征 本机图形对象（节点/边） 键入图对象（例如：用户/宠物） 标记的节点和边 深度优先搜索 广度优先搜索 并发安全 从JSON Blob导入图形 将图形导出到JSON Blob 例子 coleman = dagger . NewNode ( map [

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：26624
    • 提供者：weixin_42108778

  1. MapMyWorld-GraphSLAM-RTAB_MAP：此机器人程序使用ROS RTAB-MAP执行基于图的同时定位和制图（SLAM）-源码

  2. 使用RTAB-MAP映射我的世界-GraphSLAM 该机器人程序使用图形技术执行同时定位和映射（SLAM）。 在凉亭中模拟了机器人及其环境。 该机器人配备了深度相机和激光雷达。 该程序使用RTAB_MAP ros软件包。 RTAB_MAP软件包： ，

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：109568
    • 提供者：weixin_42097369

  1. 深度学习框架Caffe源码解析

  2. 相信社区中很多小伙伴和我一样使用了很长时间的Caffe深度学习框架，也非常希望从代码层次理解Caffe的实现从而实现新功能的定制。本文将从整体架构和底层实现的视角，对Caffe源码进行解析。 Caffe框架主要有五个组件，Blob，Solver，Net，Layer，Proto，其结构图如下图1所示。Solver负责深度网络的训练，每个Solver中包含一个训练网络对象和一个测试网络对象。每个网络则由若干个Layer构成。每个Layer的输入和输出Feature map表示为Input

  3. 所属分类：其它

    • 发布日期：2021-02-01
    • 文件大小：673792
    • 提供者：weixin_38518638

  1. 深度学习小总结

  2. 卷积神经网络基础 互相关运算与卷积运算 卷积层得名于卷积运算，但卷积层中用到的并非卷积运算而是互相关运算。我们将核数组上下翻转、左右翻转，再与输入数组做互相关运算，这一过程就是卷积运算。由于卷积层的核数组是可学习的，所以使用互相关运算与使用卷积运算并无本质区别。 特征图与感受野 二维卷积层输出的二维数组可以看作是输入在空间维度（宽和高）上某一级的表征，也叫特征图（feature map）。影响元素 x 的前向计算的所有可能输入区域（可能大于输入的实际尺寸）叫做 x 的感受野（receptive

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：72704
    • 提供者：weixin_38692666

  1. (七)OpenCV深度神经网络(DNN)模块_02_使用SSD模型实现(实时)对象检测、GOTURN模型实现对象跟踪

  2. SSD模型: 下载:https://github.com/weiliu89/caffe/tree/ssd#models Fast-R-CNN模型基础上延伸(在特征图上采用卷积核来预测) 刚开始的层使用图像分类模型中的层，称为base network，在此基础上，添加一些辅助结构： Mult-scale feature map for detection 在base network后，添加一些卷积层，这些层的大小逐渐减小，可以进行多尺度预测。 Convolutional predictors fo

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：100352
    • 提供者：weixin_38667849

  1. 深度学习PyTorch入门（五）

  2. 卷积神经网络基础 互相关运算与卷积运算 卷积层得名于卷积运算，但卷积层中用到的并非卷积运算而是互相关运算。我们将核数组上下翻转、左右翻转，再与输入数组做互相关运算，这一过程就是卷积运算。由于卷积层的核数组是可学习的，所以使用互相关运算与使用卷积运算并无本质区别。 特征图与感受野 二维卷积层输出的二维数组可以看作是输入在空间维度（宽和高）上某一级的表征，也叫特征图（feature map）。影响元素xxx的前向计算的所有可能输入区域（可能大于输入的实际尺寸）叫做xxx的感受野（receptive

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：406528
    • 提供者：weixin_38703794

  1. 动手学习深度学习—task05

  2. 文章目录卷积神经网络基础特征图与感受野填充和步幅1×1卷积层卷积层与全连接层的对比池化层LeNetAlexNet创新VGG创新NiN创新GoogLeNet创新 卷积神经网络基础 特征图与感受野 二维卷积层输出的二维数组可以看作是输入在空间维度（宽和高）上某一级的表征，也叫特征图（feature map）。影响元素x的前向计算的所有可能输入区域（可能大于输入的实际尺寸）叫做x的感受野（receptive field） 填充和步幅 填充 填充（padding）是指在输入高和宽的两侧填充元素（通常是0

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：505856
    • 提供者：weixin_38704565
« 12 »