YOLOv3_TensorFlow 注意：由于我已切换到PyTorch一年，因此不再维护此回购协议（实际上我已经取消了很长一段时间的支持）。 寿命短，我使用PyTorch。 1.简介 这是我在纯TensorFlow中实现的 。 它包含有关您自己的数据集的完整培训和评估流程。 此仓库的主要功能是： 高效的tf.data管道 权重转换器（将COCO数据集上的预训练暗网权重转换为TensorFlow检查点。） 极快的GPU非最大抑制。 完整的培训和评估渠道。 Kmeans算法选择先验锚框。 2.要求 Python版本：2或3 包装方式： tensorflow> = 1.8.0（理论上任

二维搜索最大matlab代码3D 轨迹的实时振动触觉反馈 通过将实时值分别与目标路径和目标速度曲线进行比较，独立地为两个运动分量（位置和速度）提供振动触觉反馈。 复合路径是通过沿轨迹引入通路点来创建的，目标路径是为每个人动态构建的，以考虑诸如高度、臂长等变量。目标速度剖面是使用最小加加速度模型构建的。 1速度被用作量化运动平滑度的代理，它代表运动最优性的度量。 该代码还包含用于 3D 轨迹的运动分解算法。 2任何轨迹都可以看作是最小加加速度子运动的线性组合。 通过最小化依赖于参数的重构切向速度分布与运动的实际切向速度分布之间的误差来确定子运动。 先决条件 Polhemus Liberty 运动追踪器 MATLAB R2007b 触觉执行器 收集数据 运行算法的步骤详述如下： 为实验和对照条件两者： 通过指定沿轨迹应出现过Kong点的分数点（m1、m2 等），在starting_point.m 中设置所需的过Kong点数。 以弧度（theta1、theta2 等）为单位设置角度，在这些角度应在starting_point.m （绕z 轴旋转）中引入通Kong点。 运行fixed_coll

matlab的欧拉方法代码时间积分方案 这是一个有限元研究项目，其目的是针对梁单元在瞬态分析中研究时域中不同数值积分方案的阻尼效应。 特别是对于纵向自由度的冲击载荷。 研究的主要集成方案是Backward-Euler，Newmark方法，居中方案，一些Runge-kutta方案和广义alpha方案。 将所进行的仿真与商业代码Abaqus进行比较，并研究了不同的属性，例如准确性，稳定性，鲁棒性。这些方法和主要的有限元方法都是在Matlab中实现和编程的。 还对图形用户界面进行了编程，以允许用户轻松选择数值积分方法并查看位移结果。 GUI显示了在2m光束的末端进行3500 N冲击模拟的结果，持续时间为1e-4秒。 这些参数可以在 Newmark.m 和 dynamics.m 请享用 ！

RTP工具 RTP工具是一组小型应用程序，可用于处理RTP数据。 有关详细信息，请参见各个手册页。 rtpplay播放rtpdump记录的RTP会话 rtpsend通过手工或rtpdump生成的文本描述生成RTP数据包 rtpdump解析并打印RTP数据包，生成适用于rtpplay和rtpsend的输出文件 单播和组播网络之间的rtptrans RTP转换器 multidump启动多个同时rtpdumps。 多重同时启动多个rtpplays。 安装 RTP工具应可在任何POSIX兼容系统以及Windows上编译并运行。 某些操作系统还提供了预构建的RTP工具包。 在UNIX上，通常的./configure && make应该可以工作。 继续阅读以获取详细信息。 配置 运行./configure为您的系统配置构建。 这将产生三个文件： 包含#include和HAVE_行的config

Analyzing_Neural_Time_Series, 神经时间序列教材的python 实现 Analyzing_Neural_Time_Series麦克斯 with ( 2014 )的神经时间序列是一本为神经学家编写连续神经数据的大书。 虽然这本书看起来主要是用于脑电分析，但是我发现书中的主题很容易翻译。 每章都介绍了一种新技

A. 基本訊號與系統 1. Discrete-time (DT) signal and system 2. LTI system 3. DT Fourier transform　 B. Z轉換 1. Z-transform 2. Region of convergence 3. Inverse Z-transform　 C. 取樣分析 1. Periodic sampling 2. Signal reconstruction 3. Discrete-time processing　 D. 多率系統 1. Changing the sampling rate 2. Multirate signal processing 3. Oversampling and noise shaping　 E. 頻域分析 1. Frequency responses of LTI systems 2. All-pass systems 3. Minimum-phase and linear-phase systems　 F. 數字系統架構 1. Structures for IIR and FIR systems 2. Lattice filter 3. Quantization effect 4. Round-off noise effect 　 G. 濾波器設計 1. IIR filter design 2. FIR filter design 3. Optimal filter design　 H. 離散傅立業轉換 1. Discrete Fourier series 2. Discrete Fourier transform (DFT) 3. Linear convolution using DFT　 4. The discrete cosine transform (DCT)　 I. 快速傅立業轉換 1. Decimation-in-time FFT 2. Decimation-in-freq. FFT 3. Convolution approach　 　

加油学吧。(*￣3￣)╭

You Only Look Once 论文

实时高分辨率背景抠像 论文的官方资料库。 我们的模型需要捕获额外的背景图像，并在Nvidia RTX 2080 TI GPU上以4K 30fps和HD 60fps产生最新的消光效果。 总览 更新 [2021年1月9日] PhotoMatte85数据集现已发布。 [2020年12月21日]我们将项目更新为MIT许可证，该许可证可用于商业用途！ 下载 型号/重量 视频/图像示例 （由）（我们的模型在高清素材上更加强大） 数据集 VideoMatte240K（即将推出） 演示版 剧本 我们在此存储库中提供了几个脚本，供您试验我们的模型。 文件中包含更详细的说明。 inference_image

FairMOT 单次多对象跟踪的简单基准： ，张以夫，王春雨，王兴刚，曾文俊，刘文宇arXiv技术报告（ ） 抽象的 近年来，作为多目标跟踪的核心组件的目标检测和重新识别取得了显着进展。但是，很少有人关注在单个网络中完成两项任务以提高推理速度。沿此路径进行的初始尝试最终导致结果降低，这主要是因为未正确学习重新标识分支。在这项工作中，我们研究了故障背后的根本原因，并因此提出了解决问题的简单基准。在30 FPS时，它的性能明显优于MOT挑战数据集上的最新技术。我们希望这个基准可以启发并帮助评估该领域的新想法。 消息 （2020.09.10）FairMOT的新版本发布了！ （在MOT17上为73.7 MOTA） 主要更新 我们使用自我监督的学习方法在CrowdHuman数据集上对FairMOT进行了预训练。 要检测图像外部的边界框，我们使用左，上，右和下（4通道）来替换WH头（2通道）。