JSEG-CUDA-分段 CUDA中JSEG图像分割的部分实现 CS 610 - GPU 编程 Patrick Carlson JSEG 图像分割 - 最终项目 11/27/10 要求： CUDA（在 gpu1.cs.iastate.edu 上） OpenCV（在 gpu1.cs.iastate.edu 上） CMake >= 2.8.1（在 gpu1.cs.iastate.edu 上） 编译： 我使用 CMake 来生成 makefile。 感谢 Ryan 帮助我解决这个问题。 我还使用了他的 cmake-modules 来帮助寻找 OpenCV。 他的所有文件都在“cmake”文件夹中。 构建： cd JSEG mkdir "build" cd build ccmake .. 指定 NVIDIA CUDA SDK 的位置以及它要求的任何其他内容。 然后配置并假设没有错误生成

numerical_solver:ODE，DAE，Newton和矩阵求解器的实现

这是我已经在linux下成功实现的G729a音频编解码源代码，可以直接使用的，效果很好。

react-antd-admin :open_book:介绍 基于工作中开发需要，设计了一个后台管理系统，减少了从零开始构建的时间，前端基于 （拥抱钩子），， ， 及一些特别优秀的开源库实现，特别感谢。 使用 ， 模拟了一层数据服务，部署在平台上。 :house:主页 :file_folder:目录 react-antd-admin │ ├── client * 前端目录 │   ├── config * 独立配置、发布时便于修改 │   ├── public * 静态资源文件，不被编译 │

madgwick_py：Madgwick的IMU和AHRS算法的Python实现。 有关该算法的更多信息，请参见 。 该实现是在卡尔斯鲁厄技术学院的认知系统实验室（CSL）上完成的： ： 要求 Python 3.x（经过Python 3.4测试） NumPy 执照 版权所有（c）2015 JonasBöer， 该程序是免费软件：您可以根据自由软件基金会发布的GNU通用通用公共许可证的条款重新分发和/或修改它，该许可证的版本为3，或者（根据您的选择）任何更高版本。 分发该程序是希望它会有用，但是没有任何保证； 甚至没有对适销性或特定用途适用性的暗示保证。 有关更多详细信息，请参见GNU较宽松通用公共许可证。 您应该已经与该程序一起收到了GNU通用公共通用许可证的副本。 如果没有，请参阅 。

匹配并行 基于图匹配的超图匹配并行实现

基于PHP+Mysql新闻系统的设计与实现源码，新闻类别管理、 新闻发布管理、新闻查询、网友评论和用户管理等模块(包括数据库创建源码)

DAC-张量流 深度自适应图像聚类的Tensorflow实现 原始ICCV论文： ://openaccess.thecvf.com/content_ICCV_2017/papers/Chang_Deep_Adaptive_Image_ICCV_2017_paper.pdf Keras中的作者实现： : 代码已在Tensorflow 1.8上进行了测试。 MNIST上的结果 NMI：0.9414，ARI：0.9416，ACC：0.9731

相对属性 用于图像分类和零镜头学习的视觉相对属性的Python实现 描述 此实现引用论文“ Relative Attributes, D. Parikh and K. Grauman, International Conference on Computer Vision (ICCV), 2011 。 作者给出的原始代码在matlab中。 此仓库包含用于从头开始使用牛顿优化来学习相对排名功能的python代码。 使用高斯混合模型的零射击学习也是在python中实现的。 实施细节 包含使用牛顿方法的rank svm的实现。 和 分别是用于零击学习的训练和测试文件。 此实现中使用了来自'PubFig'数据集的预提取要点特征。 要训​​练新的数据集， 模块和 可用于提取要点特征。 读取学习的排名功能，预处理的数据等，并将其保存在 目录。

java部落原创项目，适用于java相关同学毕业设计，课程设计，学习参考等