美国手语(ASL)数据集，我们为每个人的每个手势捕捉了60张照片(26个字母和空白)，从而准备了一个由60 x 5 x(26+1) = 8100张图像组成的数据集。然后对每幅图像进行Canny边缘检测预处理。我们已经将6480个预处理手势分配给训练集，1620个分配给验证集。数据集包括距离相机不同距离的手势图片。

这个项目的每个文件夹都包含各种网页设计，模式和完整的网站。大多数使用纯HTML和CSS

克拉克·范·史丹顿（Clarke van Steenderen） 动物学与昆虫学系南非东开普省Makhanda（Grahamstown）的Rhodes University 2021年电子邮件： :pencil: 功能性 SPEDE-SAMPLER是用Python和R编写的GUI程序，用于使用GMCY方法评估采样对物种划界的影响。 该程序提供以下内容： 读取对齐的Fasta文件，并随机选择n次序列p次。 这些文件保存在输出文件夹中。 例如，可以上传十个COI序列的序列比对。 用户可能希望随机选择该数据集的50％而不进行替换，并将此过程重复15次。 因此，该程序会将15个Fasta文件写到一个文件夹中，其中每个文件包含五个序列的随机选择。 循环遍历输出文件夹，以为每个重新采样的Fasta文件产生最大似然（ML）系统发育。 有两种ML程序可用：FastTree和RAxML。 循环遍历每个ML系统

衣服穿搭配套数据集，该数据有10个类，每个类大约有500张图像 衣服穿搭配套数据集，该数据有10个类，每个类大约有500张图像 衣服穿搭配套数据集，该数据有10个类，每个类大约有500张图像

每个像素都很重要：域自适应对象检测器的中心感知特征对齐 该项目托管用于实现“ （ECCV 2020）的代码。 介绍 域自适应对象检测器旨在使其自身适应可能包含对象外观，视点或背景变化的不可见域。大多数现有方法都在图像级别或实例级别采用特征对齐。但是，全局特征上的图像级别对齐可能会同时纠缠前景/背景像素，而使用提案的实例级别对齐可能会遭受背景噪声的困扰。 与现有解决方案不同，我们提出了一种域自适应框架，该框架通过预测逐像素的对象度和中心度来考虑每个像素。具体而言，所提出的方法通过更加关注前景像素来进行中心感知对齐，从而实现跨域更好的适应性。为了更好地跨域对齐要素，我们开发了一种中心感知的对齐方法，该方法可以进行对齐过程。 我们在众多的适应性设置上展示了我们的方法，并获得了广泛的实验结果，并针对现有的最新算法展示了良好的性能。 安装 检查以获取安装说明。 我们的无锚检测器的实现很大程度上基于F

利用IDL编程获取多个栅格数据的最大值合成，可应用于遥感多日植被最大值合成等方面。

multi_dimension_transpose 适用于 N 维，分别转置每个平面。 它保持了前两个以上的现有维度结构，没有任何挤压。

5类水稻分类数据集，共75000图像;每个15000图像，该数据集主要包含Train和Test文件夹，在这两个文件夹下存在不同的文件夹，包含不同的水稻品种图像。 5类水稻分类数据集，共75000图像;每个15000图像，该数据集主要包含Train和Test文件夹，在这两个文件夹下存在不同的文件夹，包含不同的水稻品种图像。

Description 科研调查时得到了n个自然数，每个数均不超过1500000000。已知不相同的数不超过10000个，现在需要在其中查找某个自然数，如找到则输出并统计这个自然数出现的次数，如没找到则输出NO。 Input 输入由多组测试数据组成。 每组测试数据输入包含n+1行； 第一行是两个整数n和x，n表示自然数的个数,x表示要查找的自然数，两者之间用空格隔开； 第2至n+1每行一个自然数。 Output 对应每组输入，如果查找到x，则每行输出两个整数，分别是自然数和该数出现的次数，其间用一个空格隔开；如果没有查找到x，则每行输出NO. Sample Input 8 100 2 4 2 4 5 100 2 100 8 3 2 4 2 4 5 100 2 100 Sample Output 100 2 NO

请设计一个软件包。要求该软件包至少拥有三角形类、正方形类、圆类和正五边形类。每个类都要具有构造方法，而且可以构造任意的一般图形。例如：要求通过三角形类的构造方法可以创建在任意位置上的一般三角形。要求每个类都含有计算该图形的周长的成员方法和计算的面积的成员方法。然后编写一个程序，分别创建这些类的实例对像，并输出这些实例对像的周长和面积。在创建这些实例对象时，构造方法的调用参数值可以自行设计！