PointNet和PointNet ++的Pytorch实现 此是和的实现。 更新 2021/03/27： （1）发布预训练的语义分割模型，其中PointNet ++可以达到53.5％的mIoU。 （2）在log/发布用于分类和零件细分的预训练模型。 2021/03/20：更新分类代码，包括： （1）添加用于训练ModelNet10数据集的代码。 使用--num_category 10设置。 （2）添加仅在CPU上运行的代码。 使用--use_cpu设置。 （3）添加用于离线数据预处理的代码，以加快培训速度。 使用--process_data设置。 （4）添加用于统一采样的训练代码。 使用--use_uniform_sample设置。 2019/11/26： （1）修复了先前代码中的一些错误，并添加了数据增强技巧。 现在仅按1024点分类就可以达到92.8％ ！ （2）

PURE-LET 最近被提出 [1] 作为泊松计数图像的噪声去除策略。 具体来说，PURE（泊松无偏风险估计器）是在 Haar 小波域中定义的原始图像和估计图像之间的均方误差的无偏估计。 PURE-LET 尝试通过最小化 PURE 来估计噪声图像中的真实图像。 PURE-LET 涉及小矩阵的求逆。 [1] F. Luisier、C. Vonesch、T. Blu、M. Unser，“泊松损坏图像的快速跨尺度小波降噪”，信号处理，卷。 90，没有。 2，第 415-427 页，2010 年 2 月。

Pure-8.19.78-1709

各种适配主流app的超好看的puer图标，非常适合做UI设计。app icon制作,iPhone图标,iPad图标制作... iPhone iPad app spotlight settings navigation tabbar

pure-predict：纯Python中的机器学习预测

[Unity3D]卡通场景，接近原神的画风

CCNet-Pure-Pytorch 用于纯Pytorch中语义分割的Criss-Cross Attention（2d＆3d），具有更快，更精确的实现方式。 更新 **** 2021/03：纯pytorch实现3D CCNET模块的三种被释放 。 您可以在和检查其正确性 介绍 我非正式地重新实现了纯Pytorch中的以便在不同版本和环境下实现更好的兼容性。 以前的许多开源项目都在Pytorch上使用了Cuda扩展，因此存在兼容性和精度损失的问题。 此外，当我们设置cudnn.benchmark = True时，Pytorch可能无法优化和加速Cuda扩展。 为了解决这些问题，我基于的张量变换在CC.py中设计了一个Criss-Cross Attention操作，该操作并行执行，并且在向前结果和向后渐变中显示出更快的速度和更精确的效果。 我的运作和表现 不需要CUDA扩展。 以前的“ Cr

在FreeBSD上使用Pure-FTPd和MySQL构建FTP服务器.pdf

pure-ftpd-1.0.20-24.13.i586.rpm

這是華羅庚的老師Hardy所寫的 第十版應該是最新的版本 很少有