使用NVIDIA预训练模型和Transfer Learning Toolkit 3.0与机器人创建基于手势的交互 在这个项目中，我们演示如何训练您自己的手势识别深度学习管道。 我们从预先训练的检测模型开始，使用Transfer Learning Toolkit 3.0将其重新用于手部检测，然后将其与专用手势识别模型一起使用。 经过培训后，我们将在NVIDIA:registered:Jetson:trade_mark:上部署此模型。 可以将这种手势识别应用程序部署在机器人上以理解人类手势并与人类进行交互。 该演示可以作为点播网络研讨会提供： : 第1部分。训练对象检测网络 1.环境设置 先决条件 Ubuntu 18.04 LTS python> = 3.6.9 = 19.03.5 docker-API 1.40 nvidia-container-toolkit> = 1.3.0-1

代码概述 作者：Vassili Kitsios 这套代码计算正确的正交分解（POD）模式（也称为主成分分析或经验正交函数或奇异值分解）和Koopman模式（也称为动态模式分解或主振荡模式）。 稍后将POD模式用于以这些模式为基础来构建降阶模型。 这些代码是用python编写的，并使用了现成的库。 如果要在自己的项目中使用此代码，请引用以下文档： Kitsios，V.，Cordier，L.，Bonnet，J.-P.，Ooi，A.和Soria，J.，2011，关于前缘分离的翼型湍流再循环的相干结构和稳定性，流体学报力学，卷。 683，第395-416页。 Kitsios，V.，2010，不稳定分离流中的流体力学模式的恢复，博士学位论文，墨尔本大学 简要说明的文件和目录列表 以下每个目录包含一个结果目录（结果），一个包含python源代码的目录（src）和一个带有gnuplot脚本的

使用机器学习和图形用户界面在泰坦尼克号上的乘客的生存 该项目包含一个干净优美的图形用户界面（GUI），该界面通过使用不同的Python库与8种机器学习模型和数据可视化工具进行交互。 在Rutgers，我们了解到Python是一种很棒的通用语言，它为所有专业的开发人员提供了极大的通用性。 因此，我们决定利用Python对GUI开发的强大支持以及其数据科学和机器学习功能。 使用复杂的RMS Titanic数据集，其中包括有关每个乘客命运（幸存/死者）的信息（根据其经济状况，公平，机舱，社会阶层，亲戚，性别，登船口岸和年龄），我们创建了8种不同的机器学习模型他们从数据集中学习，然后对用户提供的测试数

PDFReporter-Studio PDFReporter Studio 是一个开源的、基于 Eclipse 的报表设计器，它基于 Jasper Studio，使用 PDFReporter 库。 创建非常复杂的布局，其中包含图像、子报表、交叉表等供移动设备使用。 通过 SQL、XML 和 JSON 访问您的数据，可以添加自定义源。 然后将您的报告发布为 PDF。 许可 您可以使用 PDFReporter Studio 设计用于移动设备的文档和报告。 本产品使用以下许可证，Affero GNU 公共许可证、GNU 库或更少、通用公共许可证版本 3.0 (LGPLv3) 如果需要专业支持，请联系以获取更多信息。 Github 页面 官方网页 支持和里程碑 通常大多数问题都会在。 您还可以在找到我们的里程碑。

实现A机自动远程到B机，B机上自动使用sftp去C机取文件，然后将文件回传到A机

该例子是用C#读取txt文本文件中的数据，然后导入到Excel表格中。 该例子是经过VS2010测试过的，保证能够让你学会如何导入Excel表格。

使用Matlab和STM32的加速度计数据的图形化：STM32与MPU-9250的9轴加速度计通信，而Matlab通过串行通信与STM32通信。 然后将数据图形化

Object_Recognition_From_RGBD_Data：近年来，对象识别由于其众多的应用而引起了研究人员的越来越多的关注。 例如，对象识别使协作机器人能够执行诸如在非结构化环境中搜索对象或为人类同事检索工具之类的任务。 在这项研究中，我们提出了一种新技术，用于从红色，绿色，蓝色和深度（RGB-D）数据中进行无监督的特征提取，然后将其与多个分类器组合以执行对象识别。 具体而言，我们的体系结构首先通过无监督的聚类技术对桌面场景中的所有对象进行了细分。 然后，它分别关注每个对象，以提取形状和视觉特征。 我们对从YCB对象和模型集中选择的20个对象的子集进行实验，并评估几个分类器的性能

mtcnn对齐facenet部署 项目简介 本项目参考了bubbliiiing的和两个工程，在此对作者表示感谢！ 这两个工程都是keras模型，所提供的模型文件都只有权重没有网络结构，我利用作者提供的网络定义和权重文件重新生成了带有网络结构的权重文件。某个原始先只有权重的模型文件pnet.h5 ，生成包含网络结构和权重的模型文件PNET.h5 。接着用keras2onnx工具把它（ PNET.h5 ）转换成onnx模型pnet.onnx ，其他胶水部分的逻辑没什么变化。具体的转换代码请参考keras_onnx.py文件。 另外我还尝试了将keras h5模型转成tensorflow pb模型，具体代码请参考h5_to_pb.py文件。需要注意的是：每个tensorflow PB请模型单独执行h5_to_pb.py脚本生成。 （每次修改weight_file参数） 如果你想简单地测试一下mt

Prime_Generator:服务器是在Spring Boot中构建的，这是因为项目的实现处于静态模式，这仅表示这是静态API主生成器引擎。您可以使用这些文件中的任何一个都具有相同的内容1.您可以提取.jar文件，然后将项目导入IDE2。或者，您可以使用直接文件夹并导入以运行。现在，您需要将该项目作为Spring Boot应用程序来运行。 运行该应用程序后，该项目中使用的数据库是MYSQL，您只需打开此文件夹中的index.html文件，即可从该文件夹中获取此引擎的Web布局。