基于 Hyperledger-Fabric-Access-Control 欢迎来到。 该项目旨在调解来自中央系统的访问控制流，增强可审计性和访问控制策略执行。 它阻止非法访问，因为系统管理员无法篡改访问日志（如果适用）。 纸 该项目产生了一篇科学论文，目前可在 arXiv 获得： : 先决条件 确保安装了以下工具： NodeJS ^10.15（用 10.18.1 测试） 码头工人（最新） Docker-compose（最新） 安装步骤 安装和 。 注意：使用curl -sSL https://bit.ly/2ysbOFE | bash -s -- 2.0.0 1.4.4 0.4.18安装 Fabric v2.0 curl -sSL https://bit.ly/2ysbOFE | bash -s -- 2.0.0 1.4.4 0.4.18 curl -sSL https://

基于物理的渲染 通过路径跟踪以物理方式渲染3D场景。 光与表面的相互作用通过双向反射分布函数（BRDF）进行评估。 —硕士论文2013/14 加速结构：BVH 无堆栈遍历。 每个叶节点1或2个面。 存在在构建过程中使用空间分割的代码，但似乎有问题。 不应该使用。 要求 操作系统： Linux 虽然也应该可以在其他平台上构建和运行它。 我只是从未尝试过。 硬件：具有OpenCL 1.1和OpenGL 3.1功能的GPU 仅在NVIDIA上进行过测试。 库/标题 freeglut3-dev libboost-dev libdevil-dev libglew开发 libglm开发 libqt5core5a libxi-dev libxmu-dev 标题 NVIDIA和OpenCL 如果在使NVIDIA硬件与OpenCL配合使用时遇到问题（根据我的经验，这很可能），这是一些解

《Physically Based Rendering: From Theory to Implementation》第三版的配套源代码。

A Cognition Based Attention Model for Sentiment Analysis.zip

一个基于DHT的简单P2P文件系统

超分辨的源代码，期中包含子函数等，很有用。。。有注释哦

matlab人脸检测嘴巴定位代码使用基于本地的信息检测面部地标 此处介绍的方法基于本地信息。 首先，使用传统的 Viola-Jones 对象检测框架进行人脸检测。 Viola-Jones 框架由类 Haar 特征提取方法和 Adaboost 分类器组成。 在人脸检测之后，使用相同的 Viola-Jones 框架来检测人脸区域。 从眼睛区域位置估计眉毛区域。 主动形状模型 (ASM) 用于使用主成分分析 (PCA) 对面部形状的变化进行建模，以确保初始形状模型处于完美位置。 用法： Matlab . exe - r Main 调试： 该代码已使用 JAFFE 数据库进行了测试，可在 . 如果眼睛界标失真，您可能需要更改此值 Line 24 - FaceBinary = imbinarize ( Face , 0.25 ); 如果嘴巴地标失真，您可能需要更改这些值 Line 42 - FaceBinary = imbinarize ( Face , 0.50 ); Line 44 - ImageMorph = bwareaopen ( ImageOutline , 150 ); 如果眉毛地

暗通道matlab代码基于图的盲图像去模糊 该代码是我们的TIP论文“从单张照片中基于图的盲图像去模糊”的升级实现。 先决条件 Matlab（> = R2015a） 运行测试 Step 1. run graph_blind_main.m Step 2. select a blurred image 参数 用户只需要调整一个参数。 在第21行，估计的内核大小k_estimate_size 。 该k_estimate_size必须比真正的内核大小（默认值为69）放大。 为了获得最佳性能，请将该值设置为接近实际内核大小，并稍大一些。 如果要关闭中间输出，可以在第22行设置show_intermediate = false 。 关于噪音 为了使噪声更强健，我们在本文之外增加了一些降噪模块。 我们嵌入了一个去噪电视，以对输入图像进行预处理。 我们为中间输出内核添加了一个小波域过滤。 我们添加了一个蒙版来过滤梯度域中的小/噪声梯度。 诸如BM3D之类的更复杂的去噪功能可以由用户预先完成。 关于非盲图像去模糊 在使用提出的算法进行内核估计之后，我们使用最新技术来进行非盲图像去模糊。 在这里，我们为用

Minimal Perfect Hashing-Based Information-理解-自学-翻译-引文

基于CNN预测的可逆数据隐藏 作者： 胡润文和项世军 暨南大学信息科学与技术学院/网络安全学院，广州 描述： 该版本只能通过使用建议的基于CNN的具有扩展嵌入和直方图偏移的预测器（CNNP）来计算图像的PSNR。 工作环境是Windows 10，Python 3.7，PyTorch 1.6.0和MATLAB 2019a。 这项工作基于以下论文： R. Hu和S. Xiang，“基于CNN预测的可逆数据隐藏”，在IEEE信号处理快报中，第1卷。 28，pp.464-468，2021，doi：10.1109 / LSP.2021.3059202。 资料夹说明： “ standard_test_images”：此文件夹包含本文中使用的四个标准图像。 其他图像来自ImageNet。 “模型”：此文件夹包含建议的基于CNN的预测变量。 “ model_parameter”：此文件夹包含建议的