人脸识别 这个仓库是使用TensorFlow 2.0框架，并基于 论文上完成的，其中主要分为四大块：人脸检测、人脸矫正、提取特征和特征比对。各个模块的大小和在我的 17 款 macbook-pro 的 CPU 上跑耗时如下： 人脸检测：使用的是 mtcnn 网络，模型大小约 1.9MB，耗时约 30ms； 人脸矫正：OpenCV 的仿射变换，耗时约 0.83ms； 提取特征：使用 MobileFaceNet 和 IResNet 网络，耗时约30ms； 特征比对：使用曼哈顿距离，单次搜索和完成比对耗时约 0.011 ms； 注册人脸 注册人脸的方式有两种，分别是: 打开相机注册: $ python register_face.py -person Sam -camera 按 s 键保存图片，需要在不同距离和角度拍摄 10 张图片或者按 q 退出。 导入人脸图片: 保证文件的名字与注册人名相

FakeNewsCorpus：从精选的数据源列表中抓取的数百万条新闻报道的数据集

用于处理的投影映射 由 Processing 编写的投影映射 操纵 按“a”键：切换调整模式。 按“n”键：下一步 按“p”键：上一个 拖放：移动顶点

Real-Time Digital Signal Processing, 2nd Edition by Sen Maw, Kuo本版是完整版.原來網上的不全.

bipartite_graph_processing 大规模图处理：在二部图上比较 GraphLab 和迭代 MapReduce 的并行 Adaboost 该项目将 Twister 迭代 MapReduce 框架与面向顶点的 GraphLab 框架进行比较，以处理二部图 MapReduce 是一种大数据编程模型，它在数据的单次传递中执行计算。 已经开发了一些框架来扩展 MapReduce 模型以包括循环感知，因此用户可以编写迭代算法。 这些迭代 MapReduce 框架包括 Twister、HaLoop 和 iMapReduce。 该项目使用 Twister。 由于大规模图计算困难的许多相同原因，即图数据结构中固有的相互依赖性，MapReduce 通常不是执行图计算的良好编程模型。 最近，已经引入了面向顶点的图处理框架，其设计用于在大规模分布式图上执行迭代图算法。 用户采用以顶点为

2010年出版的Tulay Adali与Simon Haykin合著的一本关于自适应信号处理的书.

医学成像交互工具包（MITK）是用于开发交互式医学图像处理软件的免费开源软件系统。 MITK将Insight Toolkit（ITK）和Visualization Toolkit（VTK）与ap结合在一起。Medical Imaging Interaction Toolkit（MITK）是一个免费的开源软件系统，用于开发交互式医学图像处理软件。 MITK将Insight工具包（ITK）和可视化工具包（VTK）与应用程序框架结合在一起。 以下链接提供了针对不同使用场景的高级和参考文档：获得有关MITK的高级概述，并提供指向更多文档的指针寻求MITK应用程序帮助的最终用户应阅读以下内容：

保险行业语料库 大家称为 看了下您的项目，我觉得这份数据可以用于保险领域的中文问答研究，对于某些问题的翻译很准确，长度扩展的答案翻译就有些不连贯的问题，大体上关键字信息和-华东师范大学 优秀作品！ - ，中国东部师范大学 绝对 基线模型 最小批量大小= 100，hidden_​​layers = [100，50]，lr = 0.0001。 纪元25，总步数36400，精度0.9031，成本1.056221。 滴水 Python3 + pip install -r Requirements.txt 跑 一个非常简单的网络作为基准模型。 python3 deep_qa_1/network

LabVIEW_Digital_Signal_Processing_and_Digital Communications_by_Cory_L.Clark

数字视频处理| 家庭作业 块匹配算法的实现