精确计算球体和网格单元的重叠体积和面积 计算球体与通常使用的网格元素（例如四面体或六面体）之一的相交或重叠体积是令人惊讶的挑战。 这个仅标头的库实现了一种数字健壮的方法来确定此卷。 该代码中使用的数学表达式和算法在进行了描述。 因此，如果您在产生任何出版物的项目中使用该代码，请引用本文。 利用用于计算重叠体积的概念和例程，也可以使用此库来计算球体的相交或重叠区域以及网格元素的小平面。 用法 支持的原语 重叠计算直接支持以下元素类型： 四面体（4个节点/顶点，数据类型为Tetrahedron ） 五面体/楔形/三角棱镜（5个节点/顶点，数据类型为Wedge ） hexahedra（6个节点/顶点，数据类型为Hexahedron ） 元素必须是凸形的，并且必须指定为三维节点/顶点的列表，而球体（数据类型Sphere ）则需要一个中心点和半径。 节点排序 重叠库的元素类型遵循项目的

This textbook introduces sparse and redundant representations with a focus on applications in signal and image processing. The theoretical and numerical foundations are tackled before the applications are discussed. Mathematical modeling for signal sources is discussed along with how to use the proper model for tasks such as denoising, restoration, separation, interpolation and extrapolation, compression, sampling, analysis and synthesis, detection, recognition, and more. The presentation is elegant and engaging. Sparse and Redundant Representations is intended for graduate students in applied mathematics and electrical engineering, as well as applied mathematicians, engineers, and researchers who are active in the fields of signal and image processing.

Spoken Language Processing(黄学东,洪小文)

很好的一本关于傅立叶变换的课本，适合通讯，电子，物理电子等相关专业学生，当然了，是英文版的，需要硬着头皮看了。

很好的图像处理参考书, 涵盖面广而且很全!

桥接文本和表格数据以进行跨域文本到SQL的语义解析 这是以下论文的官方代码版本： Xi Victoria Lin，Richard Socher和Caiming Xiong。 。 EMNLP 2020的发现。 概述 跨域表格语义解析（X-TSP）是在给某个数据库发出自然语言问题的情况下预测可执行结构化查询语言的任务。 在训练期间，该模型可能会或可能不会看到目标数据库。 该库实现 一个强大的基于序列到序列的跨域文本到SQL语义解析器，在两个广泛使用的基准数据集： 和上实现了最先进的性能。 从改编而来的一组用于解析，标记化和验证SQL查询的。 通过修改正式的语言预处理和后处理模块，可以使解析器适合于学习从文本到其他结构化查询语言（例如的映射。 模型 我们的模型将自然语言话语和数据库（模式+字段选择列表）作为输入，并生成SQL查询作为标记序列。 我们应用模式指导的解码和后处理，以确保最终

快速优化的图像/视频增强方法 它是由Java实现的一组图像/视频增强方法，用于解决一些常见任务，例如除雾，去噪，水下去除，低照度增强，特性，平滑等。 请注意，此存储库是多个图像/视频处理存储库的集成，这些独立的存储库将在以后弃用。 RemoveBackScatter-已删除，其zip文件在此处可用： 。 OptimizedContrastEnhance-已删除，其zip文件位于此处： 。 将不推荐使用，其zip文件位于此处： HazeRemovalByDarkChannelPrior-已删除，其zip文件在此处可用： ALTMRetinex-已删除，其zip文件在此处可用：

心音-深度学习 该项目旨在在低功耗ARM处理器（例如在树莓派上找到的处理器）上运行。 目的是将该软件打包到一个小型硬件设备中，发展中国家的护理工作者可以使用该设备来检测心脏病的早期发作。

With continuing progress in VLSI and ASIC technologies, digital signal processing (DSP) algorithms have continued to find great use in increasingly wide application areas. DSP has gained popularity also in embedded systems although these systems set challenging constraints for implementations. Embedded systems contain limited resources, thus embedded DSP systems must balance tradeoffs between the requirements on computational power and computational resources. Energy efficiency has been important in batterypowered devices, but nowadays also the limited heat dissipation in small devices calls for low-power consumption. Successful implementation of DSP applications in embedded systems requires tailoring, which in turn sets challenges for design methodologies.

Probability and Random Processes with Application to Signal Processing，经典的信号处理教程，英文原版，非扫描版，带部分书签