图像去模糊 一张照片捕捉到一个难忘的时刻却后来才发现它模糊不清，这真是令人失望。 图像去模糊也可以用作其他应用程序的预处理步骤。 该项目使您可以对图像进行模糊处理。 用法 预先训练的权重和使用的模型存储在存储库中。 您可以直接加载它们并运行Demo.ipynb中显示的去模糊处理 如果要从头训练模型，则训练脚本位于deblur.py中 模型 使用了具有3个卷积层的CNN模型。 训练集包括4000张大小为96x96的模糊图像，目标集由相应的清晰图像组成。 实际的去模糊是在尺寸为32x32的较小色块上学习的。 在预测期间，可以一次从32x32的色块中预测出清晰的色块。 样品 水果： 伦娜：

pca人脸识别算法matlab代码机器学习（MATLAB） - k均值聚类和主成分分析 斯坦福大学的机器学习课程。 介绍 我们将实现K-means聚类算法并将其应用于压缩图像。 并将使用主成分分析来找到面部图像的低维表示。 环境 macOS Catalina（版本10.15.3） MATLAB 2018 b 数据集 ex7data1.mat ex7data2.mat ex7faces.mat 此仓库中包含的文件 ex7.m-用于K-means聚类的Octave / MATLAB脚本 ex7_pca.m-PCA的Octave / MATLAB脚本 ex7data1.mat-PCA的示例数据集 ex7data2.mat-K均值的示例数据集 ex7faces.mat-面Kong数据集 bird_small.png-示例图像 displayData.m-显示存储在矩阵中的2D数据 drawLine.m-在现有图形上画一条线 plotDataPoints.m-K均值质心的初始化 plotProgresskMeans.m-绘制K-means的每一步 runkMeans.m-运行K-means算法

MiVeCC_with_DRL 这是一种多路口车辆合作控制（MiVeCC）方案，可实现3 * 3无信号交叉口中车辆之间的协作。 我们提出了一种结合启发式规则和两阶段深度强化学习的算法。 启发式规则使车辆通过交叉路口而不会发生碰撞。 基于启发式规则，DDPG用于优化车辆的协同控制并提高交通效率。 仿真结果表明，与现有方法相比，所提算法在不发生碰撞的情况下可将多个路口的出行效率提高4.59倍。 一种基于端边云计算的多路口车辆协同控制| 先决条件 Linux 或 macOS Python 3 MATLAB 2017b CPU或NVIDIA GPU + CUDA CuDNN Python模块 numpy==1.16.2 opencv-contrib-python == 3.4.2.16 opencv-python==4.2.0.32 张量流==1.12.0 matplotlib=

tinyFig 调整图形大小以减少空白空间。 tinyFig(fig) 调整给定图形的大小。 tinyFig(_, margin) 在收紧后设置自定义边距，默认值为 0.05。 如果小于 1，则视为比率。 不建议在使用tightFig 后调整图形大小或在图形上绘制新内容。

吻快速傅里叶变换 KISS FFT-基于“保持简单，愚蠢”原理的混合基数快速傅立叶变换。 已经有很多很棒的fft库。 Kiss FFT并不试图比任何一个都要好。 它仅尝试成为一种合理有效，适度有用的FFT，该FFT可使用固定或浮动数据类型，并且可以通过琐碎的许可在几分钟内合并到某人的C程序中。 用法： 一维复数FFT的基本用法是： # include " kiss_fft.h " kiss_fft_cfg cfg = kiss_fft_alloc( nfft ,is_inverse_fft , 0 , 0 ); while ... ... // put kth sample in cx_in[k].r and cx_in[k].i kiss_fft ( cfg , cx_in , cx_out );

基于CNN的姿势识别 帮助机器通过相机了解人类的行为很重要。 一旦实现，机器就可以对各种人体姿势做出不同的React。 但是该过程也非常困难，因为通常它非常缓慢且耗电，并且需要非常大的存储空间。 在这里，我们着重于实时姿势识别，并尝试使机器“知道”我们做出的姿势。 姿势识别系统由DE10-Nano SoC FPGA套件，相机和HDMI监视器组成。 SoC FPGA捕获来自摄像机的视频流，使用CNN模型识别人体姿势，最后通过HDMI接口显示原始视频和分类结果（站立，行走，挥动等）。 单据 我们在这里上传论文。 并演示了该项目的详细信息。 专案 我们上载我们的项目，包括Matlab，Python和Quartus。 软件版本为： Matlab R2017b 的Python 3.6.3 Python5.1.0 TensorFlow-gpu 1.3.0 Quartus 14.0

Cyber​​SecurityRSS：Cyber​​SecurityRSS：优秀的网络安全知识来源一系列使您变得更好的RSS安全！

IntelligentUAVPathPlanningSimulationSystemS-Drone 无人机智能无人机路径规划仿真系统是一款具有良好的操作控制，强大的平台集成，全向模型构建和应用程序自动化的软件。 它以C区中A和B之间的无人机战斗为背景。 该系统的核心功能是计划通过仿真平台的无人机航路并验证输出。 可以将数据导入到真正的无人机中，以使其根据指定的路线准确地到达战场上的任何位置，并支持多人和多设备编队的联合行动。 主要特点 开源SITL无人机仿真平台支持的系统，通过FlightGear渲染真实战场环境，进行集成建模，2维垂直，三维动态模型仿真，脚本控制，地面站监视，数据处理等功能，此外，还进行仿真系统支持多种全球地图负载，模拟三维环境的关键区域，可用于整个全球范围内的遥感监测。 1.软件界面 2.软件体系结构（要为某些扩展功能实现的插件） 3.代码 4.多维视图 二维视图（

stripe-mock stripe-mock是一个模拟的HTTP服务器，其响应类似于真实的Stripe API。 它可以代替Stripe的测试模式使用，以使与Stripe集成的测试套件更快，更不易碎。 它由Stripe O提供支持stripe-mock stripe-mock是一个模拟HTTP服务器，其响应类似于真实的Stripe API。 它可以代替Stripe的测试模式使用，以使与Stripe集成的测试套件更快，更省力。 它由Stripe OpenAPI规范提供支持，该规范是从Stripe的API内部生成的。 目前的开发状态Stripe-mock能够为任何端点生成近似正确的API响应，但是这样做的逻辑仍然很幼稚。 它支持以下功能：

在想要使用二进制数的代码最前面加上 #include "cvt_bin2hex.h" 即可