it设备的管理是一件非常头疼的事情，有了这样的管理系统就变得十分的方便，本系统是采用c#语言编写的，非常适用于学习c#的初学者！

机器学习的一个C++的库非常的管用据说SGI的MINESET的主要的数据挖掘引擎就是这个C++库.enjoy it!不过这个是需要在WINDOWS下用GCC衍生编译器编译的版本

一个非常漂亮的vue.js主页模板，非常有用。Vue Nice主页DEMO在这里关于粒子-bg-vue库该项目使用react粒子背景组件库https://github.com/lindelof/particles-bg-vue。 非常简单。 任何人都可以成为火枪手。 说明该项目来自https://github.com/mtobeiyf/vuepress-homepage，感谢作者的帮助，我进行了一些修改和调整。 入门在此处查看完整的文档:backhand_index_pointing_right:指南确保已安装Node.js和yarn

里面有所有数学建模算法c++,c#,matlab化码,非常有用

adams/car的教程，非常有用，详细介绍了车辆的建立，修改到仿真的过程

OpenCV小项目 这是一个个人在使用OpenCV过程中写的一些小项目，以及一些非常有用的OpenCV代码，有些代码是对某论文中的部分实现。 注意:代码是在Xcode里写的，如果要在win下测试，遇到问题自己修改。 opencv-rootsift-py 用python和OpenCV写的一个rootsift实现，其中RootSIFT部分的代码参照Implementing RootSIFT in Python and OpenCV这篇文章所写，通过这个你可以了解Three things everyone should know to improve object retrieval这篇文章中RootSIFT是怎么实现的。 sift(asift)-match-with-ransac-cpp 用C++和OpenCV写的一个图像匹配实现，里面包含了采用1NN匹配可视化、1NN匹配后经RANSAC剔除错配点可视化、1NN/2NN<0.8匹配可视化、1NN/2NN<0.8经 RANSAC剔除错配点可视化四个过程，其中1NN/2NN<0.8匹配过程是Lowe的Raw feature match，具体可以阅读Lowe的Distinctive image features from scale-invariant keypoints这篇文章。这个对图像检索重排非常有用。另外里面还有用OpenCV写的ASIFT，这部分来源于OPENCV ASIFT C++ IMPLEMENTATION，ASIFT还可以到官网页面下载，ASIFT提取的关键点 比SIFT要多得多，速度非常慢，不推荐在对要求实时性的应用中使用。 更多详细的分析可以阅读博文SIFT(ASIFT) Matching with RANSAC。 有用链接 OpenCV3.0文档 // 测试sparse unsigned int centersNum = 10; vector descrNums; descrNums.push_back(8); descrNums.push_back(12); //unsigned int T[] = {1, 2, 1, 3, 2, 5, 4, 3, 10, 5; 4, 2, 6, 5, 2, 5, 4, 6, 2, 4}; unsigned int T[] = {1, 2, 1, 3, 2, 5, 4, 3, 10, 5, 4, 2, 6, 5, 2, 5, 4, 6, 2, 4}; sp_mat Hist(descrNums.size(), centersNum); static long int count = 0; for (int i = 0; i < descrNums.size(); i++){ unsigned int* desrcElementsTmp = new unsigned int[descrNums[i]]; memcpy(desrcElementsTmp, T + count, descrNums[i] * sizeof(T[0])); //cout << desrcElementsTmp[0] << '\t' << desrcElementsTmp[1] << '\t' << desrcElementsTmp[2] << '\t' << desrcElementsTmp[3] << '\t' << desrcElementsTmp[4] << '\t' <

2021-08-11 20:24:58 3.06MB 源码 c++

1