计算机视觉作业（二）特征匹配是图像处理和计算机视觉的核心组成部分。在本次实验中，我们将创建一个局部特征匹配算法，并尝试匹配真实场景的多个视图。将实现一个简化版本的sift，用于解决局部特征匹配问题，使检测到的特征对遮挡和杂波具有鲁棒性。由于特性是本地的，可以在一张图像中生成数百或数千个特性，同时能够实现实时性能。我们使用Harris角点检测器和sift特征描述符来生成关键点,同时也使用了自适应非最大抑制来获得图像上的均匀分布的角。

计算机视觉项目实战（二）、局部特征匹配Local_Feature_Matching配套素材资源和代码，项目详解见本人博客https://blog.csdn.net/Accelerato/article/details/105577679

cocos creator开发的H5小游戏

看CSDN这里没有人分享，就从Github上搬过来了，侵删 Summary: Calculates local outlier factor for each sample in test dataset according to training data Notes: It is assumed that data is normalized appropriately and categorical features in data are converted to continuous values. Please see functions under dataset folder for this purpose.

关于Laravel Laravel是一个具有表达力，优雅语法的Web应用程序框架。 我们认为，发展必须是一种令人愉快的，富有创造力的经历，才能真正实现。 Laravel减轻了许多Web项目中使用的常见任务，从而减轻了开发过程中的痛苦，例如： 。 。 用于和存储的多个后端。 富有表现力，直观的 。 数据库不可知。 。 。 Laravel易于访问，功能强大，并提供大型，强大的应用程序所需的工具。 学习Laravel Laravel拥有所有现代Web应用程序框架中最广泛，最全面的和视频教程库，因此轻而易举地开始使用该框架。 如果您不想读书，可以使用帮助。 Laracasts包含1500多个视频教程，涉及各种主题，包括Laravel，现代PHP，单元测试和JavaScript。 深入我们全面的视频库，提高您的技能。 Laravel赞助商 我们要感谢以下赞助商为Laravel开发

本文提出了一种新型的两阶段集成方案集成反向传播（TP-ES-BP）算法，可以大大减轻标准BP（SBP）算法的局部极小问题，并克服了单个成分BP在分类性能上的局限性通过集成Ensemble方法。 三组模拟实验的经验和t检验结果，包括ORL人脸图像数据库上的人脸识别任务以及从机器学习数据库的UCI存储库中抽取的数据集上的四个基准分类任务，表明TP-ES-BP算法取得了显著成效与SBP和最新的情绪反向传播（EmBP）学习算法相比，识别结果更好，泛化性能更高。

react-local：我对编译器的实验

基于密度剔除噪声点和异常数据 局部离群因子 表示点p的邻域点Nk(p)Nk(p)的局部可达密度与点p的局部可达密度之比的平均数。 如果这个比值越接近1，说明p的其邻域点密度差不多，p可能和邻域同属一簇；如果这个比值越小于1，说明p的密度高于其邻域点密度，p为密集点；如果这个比值越大于1，说明p的密度小于其邻域点密度，p越可能是异常点。

An infrared image detail enhancement method based on local adaptive gamma correction (LAGC) is proposed. The local adaptive gamma values are designed based on the Weber curve to enhance effectively the image details. Subsequently, the active grayscale range of the image processed by LAGC is further extended by using our proposed histogram statistical stretching. The experimental results show that the proposed algorithm could considerably increase the image details and improve the contrast of the

鉴于CUDA下载速度慢且可能存在网络问题，故提供百度盘帮助下载（含cuda toolkit和对应的cudnn）。