手写草图识别 Demo 该草图识别算法完全跨平台可以运行在Android、IOS、Winodws等平台

草图大师减面工具polyreduce,适合SketchUp2013、SketchUp2014、SketchUp2015、SketchUp2016、SketchUp2017、SketchUp2018

SmartSketch 先进的图像合成功能可增强您的创造力 下面的视频演示！ 学分 请在此处查看项目页面： : 在此处阅读论文： : 在此处查看源代码： : 特别感谢@AndroidKitKat帮助我们举办此活动！ 设置 您需要将COCO数据集的预训练生成器模型安装到checkpoints/coco_pretrained/ 。 有关说明，请参见nvlabs/spade库。 确保使用pip3 install -r requirements.txt （在/backend文件夹中）安装了所有Python需求。 完成后，您应该可以使用python3 server.py运行服务器。 它将在端口80的0.0.0.0上运行（对于Windows用户，在127.0.0.1 ）。 不幸的是，这些已硬编码到服务器中，现在您无法将CLI参数传递给服务器以指定端口和主机，因为PyTorch的内容

建筑视觉 Isola等人在论文“使用条件对抗网络进行图像到图像转换”（ ）中详细介绍了GAN的实现。 为CMU 10-401机器学习课程最终项目（2017年Spring）创建。 写上去 或阅读以下内容。 使用GAN从草图生成建筑的真实感图像 抽象的 将给定的输入图像转换为另一个转换后的输出图像的想法是一个有趣的概念。 我们在此项目中采用的方法是使用生成对抗网络（GAN）学习可以执行此任务的生成模型。 这种方法的好处在于，可以从数据中学习损失函数，因此可以将同一网络应用于各种不同的图像到图像的转换问题。 我们介绍了我们的网络体系结构以及使用这种方法将猫，鞋子和建筑物的草图转换为逼真的对象的结果。 介绍 我们希望了解如何从图像的简单草图中生成逼真的图像。 为此，我们对“有条件对抗网络的图像到图像转换”（Isola等人，2016）中描述的算法进行了批评和实施。 本文研究了如何将条件对抗网络用于

连续器 介绍 CONTIGuator 是用于 Linux 环境的 Python 脚本，其目的是加快细菌基因组的整理过程，利用可用于对齐和解析使用最新测序技术获得的重叠群的相对位置的大量近基因组并因此设计一组 PCR 引物以填补空白并在完成过程中更进一步。 它还可以用于使用众所周知的 artemis 比较工具 (ACT) 获得对基因组结构的初步了解。 CONTIGuator 使用 megaBlast 算法创建所谓的“contig profile”，其中每个 contig 和参考基因组的区域被划分为高度相似的区域； 这导致了更多的 PCR 引物，这些引物是由 ABACAS 使用引物 3 和 Mummer 运行生成的。 程序的输出可以使用 Artemis 比较工具 (ACT) 进行可视化，用户可以在其中清楚地了解基因组草图的结构基因组特征（重叠群分析步骤的结果）并可视化位置和长度推定的 PC

catia V6的基本操作教学，帮助初步接触CATIA的朋友了解

Rhino设计的汽车3D草图-3DM格式.zip

数字化设计基础

计算机三维造型设计

在SU中模拟轴测视图的免费插件，通过对选中的群组或组件按照视图方向进行变形，即可生成符合建筑设计所需的标准轴测图。来源：www.suplugin.com/eneroth-axonometric-projection/ 更多免费插件在这里：suplugin.com SU插件百科