使用MeshCNN官方代码复现了其分割准确率，除了在chairs上的分割准确率偏低，其余均与论文一致 (相差不大，有高有低，大致相同)。 checkpoints文件包含： 1. 四个分割数据集的准确率testacc_log.txt以及最终生成的分割模型latest_net.pth 2. 在部分文件还保存有训练参数和loss_log。 3. 保存了部分测试模型的池化mesh (经过塌边后的模型)，方便可视化

一、实验目的 1、复习主成分分析的原理和算法 2、使用sklearn库函数实现对鸢尾花数据集的主成分分析，观察主成分分析的作用 3、（选做）解读基于主成分分析和支持向量机的人脸识别程序 二、实验步骤 1、导入鸢尾花数据集，查看数据分布情况： 选取三个特征查看数据分布情况 选取两个特征查看数据分布情况 2、使用主成分分析函数对鸢尾花数据集降维 3、对降维后的数据集和原始数据集分别进行线性判别分析，比较分析的准确率 4、（选做）使用数值计算方法实现步骤2，深入了解主成分分析的实现过程 三、实验结果与讨论 1、简单清楚的叙述主成分分析的过程 2、绘制人脸识别程序的流程框图

我们基于手性有效场理论和色散分析的结合，给出了核子电磁形状因子（FFs）的理论参数化。 使用弹性单一性，手性pion-核子振幅和类似时间的pion FF数据，可以计算出两点子剪切的等矢量谱函数。 有效极点描述了更高质量的等矢量和等标量t通道状态，有效极的强度由求和规则（电荷，半径）固定。 直到Q2〜1 GeV $ ^ {2} $为止，与类空质子和中子FF数据都达到了极好的一致性。 我们的参数化提供了适当的分析能力和理论不确定性估计，可用于低Q2 FF研究和质子半径提取。

DRAFT MIPI Alliance Specification for Camera Serial Interface 2 (CSI-2) Version 1.01.00 r0.05 15-Dec-2009英文版翻译的(最新版2.1没有搜到)，虽然不准确但是可以参考参考

最近学习《html5程序设计第二版》，用到的源码，分享给大家，绝对是第二版的哦！

带负载转矩前馈补偿的永磁同步电机FOC 1.采用滑模负载转矩观测器，可快速准确观测到负载转矩。 赠送龙伯格负载转矩观测器用于对比分析。 2.将观测到的负载转矩用作前馈补偿，可提高系统抗负载扰动能力； 提供算法对应的参考文献和仿真模型，支持技术解答。 拿后赠送PMSM控制相关电子文档。 仿真模型纯手工搭建，不是从网络上复制得到。

由于葛泉矿煤层底板受大青灰岩和奥陶系灰岩含水层的威胁,为保护工作面回采时底板不受突水危害,采用KJ959微震监测系统对11913运输大巷及周边区域布置拾震传感器进行实时监测,监测回采工作面底板下"三带"裂隙发育情况,并通过定位标定炮位置研究了巷道微震监测定位的准确性。

DeepAccNet.py 描述的 DeepAccNet 的 Python-PyTorch 实现 此方法将使用称为 l-DDT（局部距离差异测试）的度量来估计您的蛋白质模型的效果。 usage: DeepAccNet.py [-h] [--modelpath MODELPATH] [--pdb] [--csv] [--leaveTempFile] [--process PROCESS] [--featurize] [--reprocess] [--verbose] [--bert] [--ensemble] input ... Error predictor network positional arguments: input path to input fold

1.项目基于FasterRCNN 模型，通过RPN 网络获取图片候选区域，以Restnet50 提取特征，实现生活垃圾的智慧分拣。 2.项目运行环境：硬件环境和Python 环境。其中FasterRCNN 对计算要求较高，有一部分是Restnet50 的卷积层。必须使用较大内存的GPU 才可以完成训练。在本项目中，用华为云提供的模型训练服务（GPU tesla P100)实现，链接:https://www.hwtelcloud.com/products/mts。 3.项目包括2个模块：5 个模块：数据预处理、数据加载、模型构建、模型保存及训练、模型加载及调用。数据下载地址： https://pan.baidu.com/s/1ZAbzYMLv0fcLFJsu64u0iw，提取码 yba3 4.准确率评估：本部分包括模型准确率和分类别准确率。数据总体准确率为 0.840 识别效果比较理想。其中面包、菜根、瓜子壳的类别准确率较低。

使用pytorch写的mobilenet v2代码，详细注释，可以生成训练集和测试集的损失和准确率的折线图，详细注释了神经网络的搭建过程