消声器matlab源代码 简历 个人信息 施上浮/男/1993 本科/宁波工程学院/信息与计算科学（2016届） 家乡：浙江/湖州/安吉 工作年限：4年 擅长语言：Java（Android） 联系方式 手机：15757857613 Email： | QQ：554727437 微信: Shi_SSNB 工作期望 期望职位：Android高级程序员，应用架构师 期望薪资：税前月薪15k~20k 期望城市：杭州or宁波 个人评价 热爱编程，喜欢简洁的代码，希望能成为一名很厉害的架构师。 工作经历 (2019年8月~至今) 因为一些原因从乙方到了甲方，工作不仅仅维护升级只之前开发的 “艾优”和“艾尚优品”，同时涉及到了一些钉钉的开发，以及一些团队管理 背景:为仓库发货，授权，打包等开发的app，安装在PDA上。 主要职责:独立开发。 使用技术:主要是硬件方面，需要了解不同pda的一些相关参数，同时也涉及到UHF相关开发。 遇到问题:项目度对业务的耦合较高，将功能分出来是比较棘手的。解决方案，1.将基础功能分模块，2.多以Helper方式实现功能，减少对界面的依赖。 收获:对仓库发货流程的熟悉，

开关电源以高效率着称。可调电压/电流电源是一个有趣的工具，可用于许多应用中，例如锂离子/铅酸/ NiCD-NiMH电池充电器或独立电源。 特征 便宜且易于构建和使用 恒定电流和恒定电压调整[CC，CV]功能 1.2V至25V和25mA至3A的控制范围 易于调整参数（最佳使用可变电阻器来控制电压和电流） 设计遵循EMC规则（输入和输出在同一边沿，这意味着更低的电压差和更低的EMI） 在LM2576上安装散热器很容易 它使用一个真正的分流电阻器（不是PCB迹线）来感应电流 您可以对输入施加最大30V的电压。LM2576-Adj（PS1）可以接受高达40V的输入电压，但是REG1（78L09）可以承受输入端的最大35V（绝对最大额定值）。REG1在放大器（IC1）的稳定性中起着重要作用，因此，从输入电压阈值降低10V是一个明智的决定。 要设置所需的电压，只需将电压表（或电压设置中的万用表）连接到输出，然后旋转R6多圈电位器。要设置所需的电流极限，只需将一个电流表（或电流设置中的万用表）连接至输出，然后转动R7多圈电位计即可设置所需的电流极限。不要延长此过程，因为不建议将输出保持在短路状态。 原理图 印刷电路板 材料清单

目前只有PYTHON版本，以后改写C++版本，CPU每帧120毫秒，DNN_OPENCL能加速一倍，采用kapao模型50M，非常小，效果不错

人工智能cv opencv 压缩包

伴随着人工智能时代的到来，人机交互的领域也逐渐成为研究的一大方向；其中，手势识别是人机交互领域的一项关键技术，自此手势识别也迎来了一波高潮，近几年无论是在消费领域、电子领域、数码领域、家电领域甚至汽车领域上，都能或多或少的见到手势识别的身影。 手势识别在设计智能高效的人机界面方面具有至关重要的作用, 目前手势识别已应用到手语识别、智能监控、到虚拟现实等各个领域，手势识别的原理都是利用各种传感器（例如红外、摄像头等）对手部的形态进行捕捉并进行建模，形成一个模型信息的序列帧，而后将这些信息序列转换为机器能够识别的相对应指令（例如打开、切换菜单、移动等）来完成控制。 采用Python的集成开发环境Pycharm进行本次课程设计，在Pycharm中进行需要库（模块）的下载，调取电脑摄像头，按帧读取摄像头采集到的头像，形态学处理，图像旋转（由于摄像头采集到的图像是镜像，需要用cv2.flip将摄像头采集到的图像进行处理），选取图片中固定位置作为手势输入，用红线画出手势识别框，基于hsv的肤色检测，进行高斯滤波，找出轮廓，求出图像中手势的凹凸点，手指间角度求取。

采用Python的集成开发环境Pycharm进行本次课程设计，在Pycharm中进行需要库（模块）的下载，调取电脑摄像头，按帧读取摄像头采集到的头像，形态学处理，图像旋转（由于摄像头采集到的图像是镜像，需要用cv2.flip将摄像头采集到的图像进行处理），选取图片中固定位置作为手势输入，用红线画出手势识别框，基于hsv的肤色检测，进行高斯滤波，找出轮廓，求出图像中手势的凹凸点，手指间角度求取。

pytorch实现的各类gan结构 ACGAN CGAN DCGAN INFOGAN SGAN WGAN pytorch版本1.6

Mobilenetv1v2v3论文英文版原文，微软研究院开发的轻量级卷积神经网络，cv方向必学论文。。。。。

图像处理领域的OPEN CV函数库包含一般的图像处理的基本操作函数，与VC++6.0兼容且直接可以安装。

血细胞亚型分类 数据集-血细胞图像该数据集包含12,500幅血细胞增强图像，并带有伴随的细胞类型标签。 每种4种不同的细胞类型大约有3,000张图像，这些图像分为4个不同的文件夹（根据细胞类型）。 细胞类型是嗜酸性粒细胞，淋巴细胞，单核细胞和嗜中性粒细胞。 该数据集伴随着一个附加数据集，该数据集包含原始410张图像以及两个附加子类型标签，以及这些410张图像中每个图像的每个单元的边界框。 文件夹“ dataset2-master”包含2500张增强图像以及4个其他子类型标签。 型号汇总 上面的卷积神经网络将训练后的血细胞分为四类：嗜酸性粒细胞，单核细胞，淋巴细胞和嗜碱性粒细胞。 该模型具有6个卷积层，2个密集层，7个缺失和大约220K参数。 对于20个时期，它可提供80％和79％的精度。 精度增加 在以上模型中使用以下方法来提高准确性：卷积层数从2增加到6，这导致准确性显着提高。 减少了