自己做的Unity3D游戏，走到迷宫另一头的大门即通过。版权归中国传媒大学信息工程学院数字媒体技术何峻青所有。是小学期时花了一个星期做的，菜鸟一枚，希望能给大家点参考吧，里面的游戏是可以运行的，素材是可以用的。

野外的情绪回归 使用Aff-Wild数据库中可用视频中的价和Arousal值估算值进行情感回归。 针对此问题，我们使用了2个基于CNN的框架。 其中一个模型的使用SENET预先训练上VGGFace数据库和微调在AFF-野生训练数据的子集的模型。 另一个模型是带有CBAM注意模块的ResNet样式的CNN，用于精炼特征提取。 该模型是使用Aff-Wild火车数据的子集从头开始训练的。 The hyper-parameters used for both the models are listed below: Batch Size = 32 Optimizer = Adam Learning Rate = Default Epochs = 32 这两个框架的训练和验证均方根误差图如下所示。 CBAM Framework

我们提出两级遮挡识别GAN，如图1，来消除任意面部遮挡，使去遮挡过程更加透明。在其中，两级GANs有不同工作，第一个生成器G1用于合成遮挡的图像（分离遮挡），第二个合成器G2用于合成去遮挡的图片。 传统的人脸完成方法试图通过一个阶段直接恢复无遮挡人脸，如图一（a）。相反，我们的G1首先分离出遮挡，再将其作为G2的输入来生成更精确的未遮挡图像。

分享了野马优化器算法源代码及原文，亲测有效，更多算法可进入空间查看

3D游戏引擎Wild Magic 4，完全面向shader的引擎，学习游戏引擎开发的最好选择

yolov5鱼类数据集

Labeled Fishes in the Wild 为鱼类图像数据集，图像中包含鱼类、无脊椎动物和河床，通过部署在远程操作潜水器上的渔业统计摄像系统拍摄得到的。鱼类位置数据被包括在相应的数据文件中（ dat，vec 和 info），标注了鱼在图像中的位置。

野生物联网 该项目支持The Internet of Wild Thing课程。 该课程的目标是教没有电子或编程经验的学生如何开始将互联网与现实世界相结合。 通过使用和 ，学生可以组合电子元件、配置网络界面，并使现实世界和网络事件协同工作。 固件生成 固件是通过用户界面根据引脚选择生成的。 按Save and Bootload将生成一个新文件，将其上传到正确的 spark core，并触发 core reset。 我目前的代码生成方法有点草率，可能可以改进。 查看duino/template.ino以查看原型文件。 设置引脚状态 生成的代码有一个 API 端点setState ，可以通过访问它，并且可用于明确设置为输入的每个引脚。 curl https://api.spark.io/v1/devices/{deviceId}/setState \ -d access_token={a

Unity 昆虫模型资源包 Wild Life - Insects v1.2 各种昆虫模型，蚊子 ，蜜蜂之类

1111