%在图像 (Im) 上找到两点（x0,y0 和 x1,y1）之间的最小测地距离 % 图像可以是彩色或灰度 %return x0,y0 和 x1,y1 之间的测地距离%使用图像作为以颜色为高度的拓扑图，并使用 %Dijkstra 算法找到 x1,y1 和 x0,y0 之间的最小测地距离 ％输入： %Im 彩色图像（或其他多通道图像） %x0,y0 原点坐标（在图像上） %x1,y1 目标点坐标 %NumSteps 可选参数，允许您限制计算的循环次数，这可能会导致计算速度更快但精度较低 %WeightDist 距离分量有两部分 % 图像平面上的距离和颜色/灰度值中的距离 此参数 % 控制图像平面上距离的相对权重 %Output: %DistMap 坐标 x0,y0 的测地距离图 %Method: %使用图像作为拓扑图，使用Dijkstra算法求测地距离

内含完整工程、库函数文件、硬件连接，使用说明等，总之，打开即用。

以上资源需要配合以下文章代码方可使用，单独下载没有意义。请各位注意。 https://blog.csdn.net/popboy29/article/details/126187452

Xilinx ISE14.7 license

BarTen9.4_SR3亲测可用版，在网上找了很久，发现这个版本最方便，直接按照附件说明文档安装即可使用，后期联网不影响使用。

GoogLeNet是2014年Christian Szegedy提出的一种全新的深度学习结构，在这之前的AlexNet、VGG等结构都是通过增大网络的深度（层数）来获得更好的训练效果，但层数的增加会带来很多负作用，比如overfit、梯度消失、梯度爆炸等。inception的提出则从另一种角度来提升训练结果：能更高效的利用计算资源，在相同的计算量下能提取到更多的特征，从而提升训练结果。 外文名GoogLeNet类 型神经网络 结构介绍 inception模块的基本机构如图1，整个inception结构就是由多个这样的inception模块串联起来的。inception结构的主要贡献有两个：一是使用1x1的卷积来进行升降维；二是在多个尺寸上同时进行卷积再聚合。 图1 图1 1x1卷积 作用1：在相同尺寸的感受野中叠加更多的卷积，能提取到更丰富的特征。这个观点来自于Network in Network，图1里三个1x1卷积都起到了该作用。 图2 图2 图2左侧是是传统的卷积层结构（线性卷积），在一个尺度上只有一次卷积；图2右图是Network in Network结构（NIN结构），

计算机图形学 三维图形投影变换：正投影、正等测、正二测

最全最新的感测技术指导书，感测 实验 光电传感器 温度热电式传感器 金属箔式应变计 电感式传感器 霍尔式传感器，理论和实验结合。

图像去噪最简单的网络之一DnCNN之讲解 softmax softmax​ ​关注他 67 人赞同了该文章 关于DNCNN图像去噪网络的简介 DnCNN是图像去噪领域一篇鼻祖类型的文章，本文是关于该文章主要原理的解读。DnCNN（Denoising Convolutional Neural Network）顾名思义，就是用于去噪的卷积神经网络。 文章标题：Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising 文章链接：https://arxiv.org/pdf/1608.03981.pdf 如果加载太慢也可以用镜像：http://xxx.itp.ac.cn/pdf/1608.03981.pdf 代码链接： https://github.com/cszn/DnCNN（官方） 或者： https://github.com/SaoYan/DnCNN-PyTorch

记录PointNet PyTorch版本的学习 PyTorch版本PointNet作者Tensorflow版本页面上给出的github地址，这里 数据集 PyTorch版本只给出了ModelNet的数据，只能进行部件分割，但是我想测试S3DIS数据集，所以下载了原作者给的链接中已经处理好的数据，文件为h5格式。 作者对所有的点云进行了采样，每个采样空间是一个立方体，做成一个数据，每个数据有4096个点；一个h5文件中是1000*4096*9个数字，代表1000个点云，每个点云中有4096个点，每个点有9个值xyz，rgb，剩下三个还不知道。 具体处理过程在Tensorflow版本中给出了，太复杂看不太懂。 利用这些处理好的h5文件，结合Tensorflow版本的代码写出PyTorch的数据集class，代码在indoor3d_dataset.py中。 训练 训练的代码基本参考了PyTorch版本的，只是将刚开始数据集的读取改成了S3DIS的，代码在train_indoor_3d.py中。 结果可视化 PyTorch版本用了原作者Tensorflow版本中提供的可视化代码，用ope