基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据）
基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据）
基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据）
2022-11-28 21:26:29
277KB
此提交包含以下文件： 1）dataset.mat 2) KPCAsurface.m 3) PCAsurface.m 4）greenmag.m
dataset.mat 包含取自模拟过程示例的二维数据集。 该数据用于训练和测试内核 PCA 以进行故障检测。 训练后，为输出数据空间中的每个位置计算广泛使用的用于故障检测的 T2 和 Q 统计指标，从而生成等高线图。 然后将 99% 显着性水平检测限叠加在地图上，作为数据空间的正常（绿色）和错误（品红色）区域之间的边界。
使用等高线图，人们可以将各种内核类型和参数选择对正常和故障过程状态之间的决策边界的影响可视化。
这项工作是对参考文献 [1] 中结果的补充。 进一步的工作可以通过调查内核行为对进程监控性能的影响来进行。
[1] KES Pilario、Y. Cao 和 M. Shafiee。 非线性动态过程中早期故障监测的混合核规范变量
2022-11-22 15:46:56
16KB
1
Quick Outline是一种世界空间Outline工具，可为任何对象添加实体轮廓。
它非常适合VR。
许多轮廓着色器在屏幕空间中工作，这会使它们变慢，而且它们不支持MSAA。如果它们确实在世界空间中工作，那么它们在硬边上会有“缺口”。快速大纲解决了这些问题。
Quick Outline最初是为VR设计的，因此它支持实例化立体渲染和MSAA。它在任何HMD中看起来都很棒，而且不会影响帧速率。
-专为VR设计（包括单程）
-支持MSAA
-与后处理堆栈兼容
-多种轮廓模式
-重量轻，性能卓越
2022-11-18 15:21:30
24KB
1
交互界面达到的效果是，通过点击画面上的按钮来控制是否要显示相应物体的检测结果，即是否把物体框出。
这里放置了两个版本，物体检测代码是相同的，不同的是交互性的设计，2.0调用的是现成的button函数，使用起来更方便些。
2022-11-08 14:24:15
43.05MB
针对现有的红外与可见光图像融合算法存在融合图像的对比度与清晰度降低和细节纹理信息丢失等问题,提出将鲁棒主成分分析(RPCA)、压缩感知(CS)和非下采样轮廓波变换(NSCT)相结合的融合算法。首先对两幅源图像分别进行预增强处理,应用RPCA分解得到相应的稀疏分量和低秩分量;然后对稀疏矩阵利用结构随机矩阵压缩采样,利用高斯梯度-信息反差对比度(GG-DCI)压缩融合,经正交匹配追踪法(OMP)重构;接着对低秩矩阵采用NSCT分解成低频子带和高频子带,低频子带选用区域能量-直觉模糊集(RE-IFS)融合,最高频子带利用最大绝对值规则融合,其他高频子带选用自适应高斯区域方差融合;最后将融合后的稀疏分量和低秩分量叠加得到融合图像。实验结果表明,本文算法相比其他算法能够更好地提高融合图像的对比度和清晰度,保留了丰富的细节纹理信息,客观评价指标也总体优于现有算法,有效提升了红外与可见光图像的融合效果。
2022-11-07 16:46:13
5.8MB
1
c# 图像识别的轮廓分析 摄像头取图识别
string fileName = Path.GetDirectoryName(templateFile) + "\\" + found.template.name;
if (!AugmentedRealityImages.ContainsKey(fileName))
{
if (!File.Exists(fileName)) return;
AugmentedRealityImages[fileName] = Image.FromFile(fileName);
}
Image img = AugmentedRealityImages[fileName];
Point p = found.sample.contour.SourceBoundingRect.Center();
var state = gr.Save();
2022-10-24 17:37:16
4.71MB
1