DyEgoVis 交互式可视化系统，使用户可以在三个分析级别上探索动态自我网络的演变：全局级别，本地级别和个人级别。 演示视频： : 安装步骤 可视化系统可以在Ubuntu或Windows系统中运行。 它由服务器和前端组成。 服务器 要安装系统服务器的依赖包，请在项目目录“ server”下运行： 点安装-r requirements.txt 运行文件“ app.py”。 前端 安装Node.js。 要安装前端的依赖包，请在项目目录“ frontend”下运行： npm安装 在项目目录“ frontend”下，运行： 须藤npm运行开发 在浏览器中访问位于的系统界面。

杂物 Sidey是一个简单而简约的jekyll博客主题。 特征 响应式设计 内联CSS 锚标题 搜索 标签和标签页 安全标头（用于Netlify托管） 404页 压缩CSS和HTML 在Lighthouse，Page Speed Insights和Webpagetest上获得100/100得分 Robots.txt Atom和Json供稿 萨斯 Seo优化（Twitter卡，Facebook Open Graph，Schema.org） 超快（仅〜5kb CSS） 侧边栏导航 截屏

網絡瀏覽器

卡尔曼滤波原理及应用仿真

Graph-Cut算法是图像及视频中经典且有效的前景和背景分离算法,针对其计算量较大导致实时性不佳、前景和背景颜色相似时分割结果易出现shrinking bias现象的问题,提出一种改进算法.该算法利用Mean-Shift技术对图像进行预处理,将原图像表示成基于区域的、而不是基于像素的图结构,预处理结果还可应用于后续的前景和背景颜色分布估计过程,使得计算量大大下降;在能量函数中引入了具有自适应权值调节功能的连通性约束项,有效地改善了shrinking bias现象,提高了分割结果的精确性.实验结果表明,文中算法具有良好的实时交互性,且分割效果更加稳定和精确.

由于目前大多数交互式Graph-Cut分割算法很难达到精确分割且实时交互的效果.对此,提出一种基于局部颜色模型的改进算法.该算法利用Mean-Shift预分割,建立基于局部颜色模型的交互式分割框架,并将像素级的Graph-Cut算法转化为基于区域的算法进行快速求解.预分割之后的区域保持了原有图像的结构,不仅提高了采用局部颜色模型估计分布的准确性,而且基于区域Graph-Cut的算法明显降低了计算的复杂度.实验结果表明,改进后的算法不仅保证了分割的精确性,而且还达到了实时交互.

GA 1277.5-2020 互联网交互式服务安全管理要求 第5部分：论坛服务.pdf

GA 1277.4-2020 互联网交互式服务安全管理要求 第4部分：即时通信服务.pdf

GA 1277.3-2020 互联网交互式服务安全管理要求 第3部分：音视频聊天室服务.pdf

GA 1277.2-2020 互联网交互式服务安全管理要求 第2部分：微博客服务.pdf