植被引擎是一组高度优化的植被着色器和工具，旨在 统一来自Unity Asset Store，SpeedTree，Quixel Megascans等的任何植被资产或您的团队创作的自定义植被。 通过一键式设置和预制件转换，以及一整套完善的模块化详图 元素，您将能够轻松添加高质量的动态风， 并与无限的对象或角色，动态季节，全局覆盖（雪，沙子，灰尘），整体湿度，用于地下控制的整体健康状况，着色，用于假灯或GI的HDR着色，尺寸，基于距离的尺寸褪色或树叶数量，对性能的影响最小！ 使用新的对象着色器，​​您现在可以应用全局覆盖和湿度来使道具与植被资产统一。新的对象着色器具有顶点绘制（Polybrush或任何其他顶点绘制工具）以及基于顶部/底部投影高度的混合支持，以提供更多细节。 植被引擎允许单击几下即可将任何植被资产与Universal Render Pipeline和High Definition Render Pipeline一起使用，即使该资产最初并非设计用于可编写脚本的Render Pipelines！ 当使用Amplify Shader Editor时 ，植被引擎包括Amplify Base Function。拥有50多个选项，您可以仅使用所需的选项以及项目所需的优化/质量来生成自己的植被或道具着色器！

主要对arcgis engine编辑图层设置，编辑节点，编辑属性，编辑保存等实现功能，实现的开发，可以很好的掌握图层编辑的知识内容

体素插件 Voxel插件允许在虚幻引擎中创建完全体积，完全可破坏的无限世界。 它与4.24、4.25和4.26兼容。 拖车： : 安装 建议安装插件Beta的方法是使用预构建的二进制文件。 在此处下载适合您引擎版本的插件： : 在您的项目文件夹下创建一个Plugins文件夹 将插件复制到该插件，即可获得YourProject/Plugins/VoxelFree/ 链接 虚幻市场： ： 文件： ： 不和谐： ： 网站： ： 推特： : YouTube：http： UE论坛： ：

并行 SimRank 算法 使用 Delta-Simrank 算法 ( )。 通过将每个 SimRank 迭代作为 Map 和两个 Reduce 任务的三元组执行，利用 Spark 的 GraphX 框架和内存中/迭代计算优势，而不是 YARN 等其他 MapReduce 框架。 Map1 : 发出键值对，其中每个键是与之前迭代中更新分数的顶点相邻的一对顶点id，该值是SimRank的边际增加（deltas的精确计算方法参考delta-simrank算法）。 Reduce1 ：按键聚合增量值。 Reduce2 ：将 delta 与上一次迭代 SimRank 分数相加，以获得当前迭代的 SimRank 分数。 先决条件：GraphX 包。 参数说明 数据源 - graphEdgelistPath ：传递给 GraphX 图形加载器的边列表。 为了有效地存储中间 SimRank 分

borland database engine,使用informix客户端连informix数据库时,需要安装配置它.

SWRLAPI Drools引擎 基于的推理程序和SWRL规则引擎的实现。 可以在找到文档。 入门 该库提供了SWRL规则和SQWRL引擎实现。 有关使用说明，请参见。 引擎的依赖项信息可以在以下位置找到： 从源头建造 要构建此项目，您必须安装以下项目： 用于签出存储库的工具。 Apache的 。 获取最新代码的副本： git clone https://github.com/protegeproject/swrlapi-drools-engine.git 转到swrlapi-drools-engine目录： cd swrlapi-drools-engine 然后使用Maven构建它： mvn clean install 构建完成后，本地Maven存储库将包含生成的swrlapi-drools-engine-$ {version} .jar文件。 该JAR由所使用

Gym-UnrealCV：用于视觉增强学习的逼真的虚拟世界 介绍 该项目将Unreal Engine与OpenAI Gym集成在一起，用于基于视觉增强学习。 在此项目中，您无需任何虚幻引擎和UnrealCV知识即可在各种现实的UE4环境中轻松运行RL算法。 已经发布了许多用于机器人视觉任务的环境，例如Searching for objects ， Active object tracking和Control a robotic arm 。 该项目的框架如下所示： UnrealCV是Unreal Engine和OpenAI Gym之间的基本桥梁。 OpenAI Gym是用于开发RL算法的

OpenSSE：打开草图搜索引擎 大家好！ 我对在SIGGRAPH 2012上非常感兴趣，所以我开发了OpenSSE，只是为了好玩。 这是一个开源草图搜索引擎，用于基于草图图像作为输入的3D对象检索。 实际上，它可以检索更多内容，例如图像，视频，点云模型和体积模型，您只需要获取其画线图像即可。 为了清楚地显示如何工作，我使用了单线程和ascii编码进行文件存储。 张东东 由OpenSSE提供支持的演示 该演示涉及3D网格模型。 查看更多搜索结果，点击。 识别输入的草图图像，您可以通过尝试。 查看更多搜索结果，点击。 有趣的演示 注：下面的演示中没有被OpenSSE供电，但我认为它们共

绕过EAC，过任何驱动保护，可查访问，下断调试等分析操作！

需要监测和了解红树林生态系统及其周围环境的变化，以确定红树林生态系统在受到人为和自然驱动因素影响的情况下如何不断变化。 高空间分辨率（30 m）卫星和高性能计算设备的一致性是该过程的限制因素，需要存储和分析。 借此，我们介绍了基于Google Earth Engine（GEE）的方法，用于对红树林及其周围环境进行长期测绘。 在这项研究中，我们使用了基于GEE的方法：1）从不同的Landsat卫星图像创建1987-2017年的无大气污染数据； 2）评估随机森林分类器和后分类变化检测方法。 确定的1987年和2017年的总体准确度分别为0.87和0.96，然后是Kappa系数0.80和0.94。 变化检测结果表明，农业面积显着减少，而红树林，虾/养鱼场和荒地面积有所增加。 结果表明，土地利用和土地覆盖的相互转化正在影响研究区域内的景观动态。