用C#写的 网络对战五子棋小游戏，可以在线聊天，背景音乐，悔棋什么的都有，就跟QQ游戏里的五子棋差不多。

可变形 一种免费的 SMS 服务，可让您连接到网络。 由 David Hong、Arham Ahmed 和 Anam Alvi 为 UofThacks 创建。 当您给我们的Texessible电话号码发短信时，我们会阅读您的短信并立即回复您想要的内容。 我们让您始终连接到互联网，而您实际上不必连接到互联网。 新闻和天气更新 给我们发短信“天气 {City}，{Province}”，我们会立即回复。 给我们发短信“新闻”，我们将回复您首选 RSS 源上的最后 10 个帖子 导航 _给我们发短信“{您的位置}到{您的目的地}的路线”。 使用 Google Maps API，我们为您提供了如何从一个地方到另一个地方的具体分步说明。_ 电子邮件 _通过短信发送电子邮件至{收件人地址}回复：“{您的主题标题}”{您的电子邮件正文}。_ 关键词 天气 回复给定城市的当前天气 消息 回复您订阅的

量子蛋白 quantnn软件包在quantnn提供了分位数回归神经网络的实现。

LinkExtractorWeb 要启动新的 Phoenix 应用程序： 使用mix deps.get安装依赖mix deps.get 使用mix phoenix.server启动 Phoenix 端点 现在您可以从浏览器访问localhost:4000 。

SSPSR-Pytorch 论文： : （IEEE Xplore） （arXiv） 学习空间光谱先验以实现超光谱影像的超分辨率 在本文中，我们引入了空间光谱先验网络（SSPN），以充分利用空间信息和高光谱数据的光谱之间的相关性。 考虑到高光谱训练样本稀少且高光谱图像数据的光谱维数很高，因此训练稳定有效的深度网络并非易事。 因此，提出了一种组卷积（具有共享的网络参数）和渐进式上采样框架。 这不仅减轻了由于高光谱数据的高维而导致的特征提取的困难，而且使训练过程更加稳定。 为了利用空间和光谱先验，我们设计了一个空间光谱块（SSB），它由一个空间残差模块和一个光谱注意残差模块组成。 网络架构 拟议的SSPSR网络的整体网络架构 空间光谱块（SSB）的网络架构 结果 筑西数据集 Chikusei数据集上不同方法的平均定量比较。 帕维亚数据集 Pavia Center数据集上不同方法的平均

使用Matlab通过HOG，SURF和CNN进行人脸识别 你好！ 由于数据敏感性，无法使用该项目的模型。 但是，可以通过将数据输入（照片文件夹），预处理已处理的图像（Faces和GrayFaces）来创建自己的模型，然后运行相关脚本来创建自己的模型。 这种脸部识别功能不仅适用于单个图像，而且适用于集体照，但请注意误报。 怎么跑 Matlab可以输出指数形式的值，因此请先运行“ format shortG”格式。 可处理的论点： 要使用SVM分类器RecogniseFace（“ I”，“ SURF”，“ SVM”）或RecogniseFace（“ I”，“ HOG”，“ SVM”）运行任何HOG / SURF，其中I是图像文件。 例如“ 1IMG_6820.png” 一个完整的论据是RecogniseFace（“ 1IMG_6820.png”，“ SURF”，“ SVM”）或Recog

TCP隧道客户端 使任何一台计算机都可以不受NAT限制地相互通信，专用网络

TCP隧道服务器 使任何一台计算机都可以不受NAT限制地相互通信，专用网络

萨德网 用于视频摘要的Selft和差异注意网络 SADNet体系结构概述 数据集和预训练模型 您可以通过运行以下命令来下载预处理数据集TVSum，SumMe，YouTube和OVP以及VASNet预训练的模型： ./download.sh datasets_models_urls.txt 数据集将存储在./datasets目录和模型中，并带有相应的拆分文件，分别存储在./data/models和./data/splits中。 可以从或下载数据集的原始版本。 。 训练 要在./splits目录中的所有拆分文件上训练SADNet，请运行以下命令： python3 main.py --train 结果（包括split和python文件的副本）将存储在./data目录中。 您可以使用参数-o 指定其他目录。 最终结果将与./data/models目录中的相

基于机器学习的僵尸网络检测 基于机器学习的僵尸网络检测是一种根据网络流量将网络流量归为僵尸网络入侵或不入侵的工具。 它涉及各种机器学习分类器，包括神经网络，决策树，朴素贝叶斯，逻辑回归，k最近邻。 客观的 该项目使用各种基于机器学习的分类器实现了一种新颖的方法来检测基于僵尸网络的网络入侵。 与传统的基于数据包分析的方法不准确且费时不同，此方法既稳健又高度准确。 该项目涉及以下机器学习分类器： 神经网络 决策树 逻辑回归 支持向量机 高斯朴素贝叶斯 K最近的邻居。 使用的数据集 该项目使用CTU-13数据集，其中涉及13种带有正常流量和僵尸网络流量的网络流量数据的场景。 该项目使用场景1来训练和测试各种模型。 依存关系 此项目需要以下python模块的集合： 科学的 麻木 茶野 scikit学习 凯拉斯 测试模型 要测试模型，请使用以下命令在Machine-Learning-Bas