Accenture-Fast-Track-To-Future-Ready-CN.pdf

混合有限元法的快速实现对于使用 Matlab 由最低阶 Raviart-Thomas 有限元离散化的 Darcy 问题。 该实现基于所谓的矢量化方法，该方法应用于有限元矩阵的计算和全局有限元矩阵的组装。 该代码支持 2D 和 3D 域，并且有限元可以是三角形、矩形、四面体或六面体。 还可以轻松修改代码以导入用户提供的网格。

ST提供STM32F4 Fast—Track微控制器设计工具.pdf

对arm_fir_decimate_fast_q15函数进行介绍并提供样例程序

Fast Shadow Receiver V1.45 Fast Shadow Receiver 通过CPU的实时计算来换取GPU的渲染性能的方案 场景静态合批被动态阴影打断的问题

文件里是一个语音信号的混合与分离，使用的是ICA与PCA，可以明显的看出两者算法的优缺点。

这是一个使用 YOLO 前端和 Fast RCNN 后端的面罩检测模型。 我们使用 YOLO 的逐像素对象预测作为 Fast RCNN 的区域提议器。不同大小的像素（通过使用不同大小的过滤器）对应于这些位置不同大小的 RoI。这种架构是为人脸检测量身定制的，因为它最适合“方形”对象。 objectness>0.5 的位置被送入 Fast RCNN 后端，用于边界框回归和图像分类（如正确佩戴口罩、佩戴不当口罩、无口罩） 该模型建立在在 ImageNet 上预训练的 InceptionV3 之上 数据集取自 Kaggle

Hinton发表在《Neural Computation》上的深度学习最经典论文之一。

针对合成孔径雷达(SAR)图像中舰船目标稀疏的特点,提出一种基于级联卷积神经网络(CNN)的SAR图像舰船目标检测方法.将候选区域提取方法BING与目标检测方法Fast R-CNN相结合,并采用级联CNN设计,可同时兼顾舰船检测的准确率和速度.首先,针对SAR图像中相干斑噪声影响梯度检测的问题,在原有梯度算子的基础上增加平滑算子,并对图像尺寸个数和候选框个数进行适应性改进,使其提取到的候选窗口更快更准;然后,设计级联结构的Fast R-CNN检测框架,前端简单的CNN负责排除明显的非目标区域,后端复杂的CNN对高概率候选区域进行分类和位置回归,整个结构可以保证快速准确地对舰船这种稀疏目标进行检测;最后,设计一种联合优化方法对多任务的目标函数进行优化,使其更快更好地收敛.在SAR图像舰船检测数据集SSDD上的实验结果显示,所提出的方法相比于原始Fast R-CNN和Faster R-CNN检测方法,检测精度从65.2%和70.1%提高到73.5%,每张图像的处理时间从2235ms和198ms下降到113ms.

本程序采用多线程处理解密数据.. 速度快,不会卡死,占用CPU使用率不是很大... 根据自己机器配置和经验设置... 请勿设置过大线程,否则程序会卡死.. 部分单元代码借鉴于 前辈们... 　　　　　　祝大家好运~ By：熙　雅′ 文件: MD5Crack.exe 大小: 908288 字节 MD5: 7BF7CE1A00416E41D0067F0220BFB200 SHA1: B690A6A524189C72597B12D20BE1A3430D48C39D CRC32: DE34D540