MVSNet代码超详细注释，PyTorch可运行，其中 temp.py 随机生成图像和内外参，可以快速测试代码并学习网络。
2023-02-20 18:46:24
46KB
1
1.简单易懂的IEC104服务器的示例代码，C语言编写，几乎每句都有注释，适合新手学习
2.有问题可以留言，看到会回复。
2023-02-15 15:21:31
4KB
1
（MATLAB）水果检测和识别（一个图片有多类水果，形状和颜色方法，结果显示到图片上，带界面GUI，详细注释）
2023-01-09 14:10:55
1.11MB
1
本文实例为大家分享了Javascript实现贪吃蛇小游戏的具体代码，供大家参考，具体内容如下
前言
原生JavaScript实现贪吃蛇小游戏
GitHub地址
直接复制可用
index.html
<!DOCTYPE html>
<html lang=en>
<head>
<meta charset=UTF-8>
<meta name=viewport content=width=device-width, initial-scale=1.0>
<title>贪吃蛇</title>
<link rel=stylesheet href=CSS/index.css
2023-01-02 16:10:22
71KB
1
计算机视觉入门项目之图像分割、图像增强等多个图像处理算法的复现python源码+代码详细注释+项目说明.zip
【图像分割程序】
图像分割的各种经典算法的复现，包括：
阈值分割类：最大类间方差法(大津法OTSU)、最大熵分割法、迭代阈值分割法
边缘检测类：Canny算子边缘检测
马尔可夫随机场
其中，文件名后带zixie的程序文件都是根据论文的算法复现结果
不带后缀的是从github上fork来的参考代码，多为直接调用OpenCV库函数，效率很高，用来与复现代码在实现效果与耗时上进行对比
lena.png是程序测试用例
使用时注意更改读取图片的路径
详情请见图像分割图像增强文件夹内详细介绍！！
(包括算法原理及实现效果)
【备注】主要针对正在做毕设的同学和需要项目实战的深度学习cv图像识别模式识别方向学习者。
也可作为课程设计、期末大作业。包含：项目源码\项目操作说明等，该项目可直接作为毕设使用。
也可以用来学习、参考、借鉴。
2022-12-28 16:27:27
2.46MB
基于python实现的BP神经网络手写数字识别模型实验源码+详细注释+数据集+项目说明+实验结果及总结.7z
人工智能 课程作业
手写数字数据集 BP网络模型识别手写数字
反向传播（英语：Backpropagation，缩写为BP）是“误差反向传播”的简称，是一种与最优化方法（如梯度下降法）结合使用的，用来训练人工神经网络的常见方法。该方法对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。反向传播要求有对每个输入值想得到的已知输出，来计算损失函数梯度。因此，它通常被认为是一种监督式学习方法。反向传播要求人工神经元（或“节点”）的激励函数可微。
2022-12-14 16:26:57
11.06MB
基于python实现的CNN卷积神经网络手写数字识别实验源码+详细注释+数据集+项目说明+实验结果及总结.7z
人工智能课程作业
手写数字识别 数据集 详细注释 好理解 实验结果及总结
基于python实现的CNN卷积神经网络手写数字识别实验源码+详细注释+数据集+项目说明+实验结果及总结.7z
2022-12-14 16:26:56
11.06MB
基于python实现的广度优先遍历搜索(BFS)实验源码+代码详细注释+项目说明+实验结果及总结.7z
广度优先搜索算法（英语：Breadth-First-Search，缩写为BFS），是一种图形搜索算法。简单的说，BFS是从根节点开始，沿着树的宽度遍历树的节点。如果所有节点均被访问，则算法中止。BFS是一种盲目搜索法，目的是系统地展开并检查图中的所有节点，以找寻结果。
BFS会先访问根节点的所有邻居节点，然后再依次访问邻居节点的邻居节点，直到所有节点都访问完毕。在具体的实现中，使用open和closed两个表，open是一个队列，每次对open进行一次出队操作（并放入closed中），并将其邻居节点进行入队操作。直到队列为空时即完成了所有节点的遍历。closed表在遍历树时其实没有用，因为子节点只能从父节点到达。但在进行图的遍历时，一个节点可能会由多个节点到达，所以此时为了防止重复遍历应该每次都检查下一个节点是否已经在closed中了。
2022-12-14 16:26:37
3KB
基于python实现的遗传算法实验源码+详细注释+项目说明+实验结果及总结.7z
人工智能课程作业
遗传算法具体步骤：
（1）初始化：设置进化代数计数器t=0、设置最大进化代数T、交叉概率、变异概率、随机生成M个个体作为初始种群P
（2）个体评价：计算种群P中各个个体的适应度
（3）选择运算：将选择算子作用于群体。以个体适应度为基础，选择最优个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代
（4）交叉运算：在交叉概率的控制下，对群体中的个体两两进行交叉
（5）变异运算：在变异概率的控制下，对群体中的个体进行变异，即对某一个体的基因进行随机调整
（6） 经过选择、交叉、变异运算之后得到下一代群体P1。
2022-12-14 16:26:37
6KB