Parks-McClellan 滤波器设计算法的 Rust 实现，用于寻找最佳切比雪夫 FIR 滤波器。 这个过滤器的构建目前不适合在实时DSP线程中使用，所以在使用之前先构建过滤器。 包括 450 多个集成级测试，将输出与规范实现的代码进行比较。不保证对所有输入的规范实现100% 逐字节精确，但它应该非常接近。 全部 更多重构 取消对脉冲响应长度的 128 个样本限制 取消 10 波段限制 写一堆单元级测试 将最大迭代次数设为参数，或至少将其设为上限 编写一些“功能”测试（例如测试阻带衰减） 修复被零除的可能性 写一个 100% 的f64版本

DAWPL DAWPL 代表“数字音频工作站编程语言”。它提供了促进算法组合的抽象和构造。DAWPL 的音乐理论抽象允许作曲家直接与熟悉的表示进行交互，该表示具有完善的规则和惯例，用于编写传统意义上的“听起来不错”的音乐。类似 DAW 的结构组织（稍后解释）迫使用户以特定方式组织他们的代码——使其更具可读性和模块化。 5 层 DAWPL 抽象层次结构 编曲：曲目的组合，作曲的“大画面” Track：按时间顺序排列的一系列剪辑 Clip：信号的组合 信号：对声音的描述，例如波形或 mp3 文件 音频：声音的物理产生 音乐理论抽象 和弦：音符的组合，通常相对于特定的音阶定义 音阶：由音程序列公式给出的一系列音符 注意：一定频率的音调 超级对撞机 DAWPL 翻译为 SuperCollider，一种流行且功能强大的面向 DSP 的算法音乐创作语言。DAWPL 旨在作为 SuperCollider 的音频/DSP 功能与 Rust 的句法功能、其宏系统以及 DAWPL 的音乐理论和组织抽象之间的桥梁。 可能的用例 DAWPL 可用于让艺术家“原型”曲调和作品。艺术家还可以使

[**Fenwick tree**][wiki] 或 **binary indexed tree**/**bit indexed tree** 是一种数据结构 它有效地支持对数字数组“a [0..n]”的以下两个操作： - 计算前缀和：`a[0] + a[1] + ... + a[i]` - 更新一个元素：`a[i] += delta` 使用简单的实现，只能使其中一个操作具有恒定的时间 复杂性，而另一个必须是线性的。对于 Fenwick 树，两者都只需要 `O(log(N))`。

非常快的字符串距离算法 这是 sift4 字符串距离算法的 rust 实现。Sift4 非常快，与 sift3 不同，它更接近于从 Levenshtein 距离算法中得到的结果。

纯Rust中的 LZ4 快速哈希算法_rust_代码_下载

用Rust实现的 LSEQ CRDT算法_rust_代码_下载

使用深度学习框架的红外和可见光图像融合 - Pytorch 实现

这是我的毕业项目，如果你想重用它，只使用训练 py 文件来训练模型整个应用程序将无法工作，而且我没有上传经过训练的模型的 h5 文件，因为它的大小约为 3GB，即太多了，您可以将 kaggle API 与 colab 一起使用来轻松训练模型，谢谢 :) 图像伪造检测使用深度学习 使用卷积神经网络进行图像处理以检测图像中的篡改 项目描述 该项目结合了不同的深度学习技术和图像处理技术，以检测不同图像格式（有损或无损格式）的图像篡改“复制移动和拼接”伪造。我们实施了两种不同的技术来检测篡改。我使用 ELA 预处理构建了自己的模型，并使用了两个不同的预训练模型（VGG19、VGG15）进行微调，这些模型使用Google Colab进行训练，图像伪造检测应用程序使用户能够使用应用程序训练的模型测试图像或训练具有新数据集的应用程序模型和具有此新训练模型的测试图像。 楷模 错误级别分析“ELA” [1][2]最高准确率 (94.54% , epoc12)您可以从这里阅读更多关于 ELA 的信息！. VGG16 预训练模型。 VGG19 预训练模型。

Mosaic：用于色情检测的深度学习模型 您刚刚找到了马赛克模型。 Mosaic 是一个高级神经网络模型，用 Python 编写，能够在带有Tensorflow后端的keras上运行。 现在，它的开发重点是色情检测。 如果您需要一个深度学习模型，请使用马赛克模型： 允许轻松快速地检测色情内容。 设计和微调自己的网络（基于马赛克）。 在 CPU 和 GPU 上无缝运行。 Mosaic 兼容： Keras 2.0.3 Tensorflow 1.1.0和Python 2.7。

检索图像问题的一般解法 DeepEmbedding空间使用第一个搜索空间研究（DeepMetric）深度哈希（DeepHash）的空间映射函数，将空间空间的学习映射到低维嵌入引擎的空间映射函数。抽取特征，即本次实验研究的第二个问题，第二个问题为特征搜索问题 关于本项目的使用 1.下载相应训练的数据集 2.采用不同的损失类型对模型进行运行train cub200模型 nohup python train_mx_ebay_margin.py --gpus=1 --batch-k=5 --use_viz --epochs=30 --use_pretrained --steps=12,16,20,24 --name=CUB_200_2011 --save-model-prefix=cub200 > mycub200.out 2>&1 & 运行火车 stanford_online_product nohup python train_mx_ebay_margin.py --batch-k=2 --batch-size=80 --use_pretrained --use_viz --gpus