使用Unity3d实现的泡泡龙功能，素材、源码， 支持多种平台。

试用版 Barcode Xpress ActiveX 64x 试用版 Barcode Xpress .NET  试用版 试用版 开发语言： .NET/ActiveX/Java 可用平台： VB/VC/.NET/Java 当前版本： V11 是一款优秀的、高速的1D和2D条码生成、检测、识别控件，可以把条码放置在页面任何位置，支持Code 39 和128,UPC, EAN,4-state postal codes等一维条码和DataMatrix, QR Code, PDF417, Aztec二维条码

该求解器使用 P1 三角形元素组装和求解二维标量亥姆霍兹方程的 FEM。 为提高效率，程序集已完全矢量化。 对于辅导，评论中还提供了“教学法”幼稚程序集的脚本。 使用Matlab \运算符执行分辨率（此处导致LU分解）。 使用内置的 Matlab 工具提供了五种不同的几何图形，但求解器也与任意几何图形兼容。 特别是，可以使用外部网格文件（例如来自 GMSH），同时满足 PET 格式。

抓钩

3D_CT_分类 此示例将显示构建3D卷积神经网络（CNN）以预测计算机断层扫描（CT）扫描中病毒性肺炎的存在所需的步骤。 2D CNN通常用于处理RGB图像（3通道）。 3D CNN只是3D等效项：它以3D体积或2D帧序列（例如CT扫描中的切片）为输入，因此3D CNN是学习体积数据表示的强大模型。

主要介绍了精灵遮罩，  PointEffector2D，模拟2D排斥与吸引效果。 SurfaceEffector2D，模拟2D物体表面方向力。 AreaEffector2D，模拟2D物体内部一个方向力。 PlatformEffector2D，模拟2D 物体平台的方向通过性。 Buoyancy Effector2D，模拟2D浮力效果。 有案例

从2d关键点进行3d人体姿势估计 概述 尽管人们通常可以轻松地估计2d图像中人的3d姿势，但是3d姿势估计对于机器来说仍然是一个具有挑战性的问题。 该项目改进了一种算法，该算法以2d关键点作为唯一输入来估计人体姿势的3d关键点。 我将采取三种关键干预措施来改善整个数据集以及基准模型中具有特别高误差的姿势子集的重建精度：a）修改预处理中的数据归一化技术，b）从简单密集地修改神经网络架构将网络连接到以最新的2d姿态估计模型为模型的多级网络，并且c）生成合成数据以增强训练集。 这些干预措施成功地将整个测试集（来自卡耐基梅隆大学的运动捕捉数据库）中的重建误差降低了40％，针对目标的高误差姿势也降低了87％。 全文： （pdf） 依存关系 仅用于从头准备数据： 培训与测试 训练 运行prep_data.py 运行train.py ，注释掉所有您不想训练的模型设置。 日期时间将附加到这些文

在 Matlab 中定义点、线/样条、曲面和网格参数，并创建 ICEM 重放文件以生成、定义和导出 2D 曲面阻塞网格到 Ansys Fluent。 工具箱处理周期性以及边界条件。 这是一个多步骤的过程： 1.运行Matlab生成几何ICEM回放文件； 2.在ICEM中执行并创建面块； 3.再次运行Matlab，分析节点编号，生成define-mesh replay文件； 4.在ICEM中执行第二个文件，并检查你的pre-mesh； 5.用第三个回放文件导出。 或者，工具箱的更新版本可以使用 ICEM 的批处理模式自动生成网格（仅推荐用于完成的网格设计、微小变化或参数研究）。 使用 'geo' 函数可以创建几何图形。 'icem' 函数用于将 Matlab 数据自动转换为 ICEM，并分析 ICEM 项目文件。 'fluent' 函数可以作为分析您的 Fluent 监视器、路径或报

2D射擊彈幕遊戲 ● 使用API : OpenGL ● 程式語言 : C++ ● 平台 : PC ● 美術素材來源 : 吳孟如 ● 說明 : 　玩家噴射機跟隨滑鼠移動，自動發射子彈(Linked List製作)。按下滑鼠右鍵開啟防護罩，距離下次開啟需等待10秒。滑鼠左鍵可三階段蓄力，以星星導彈攻擊移動魔王。蓄力期間自動發射子彈暫停。 　玩家或魔王其中一方血條歸零，遊戲結束。 　　Level 1 - 魔王以無限符號之軌跡移動，發射連續子彈，每10發子彈射出將發射一顆大子彈。 　　Level 2 - 外圍鎖鏈階層式動態控制。魔王射出環狀子彈，原地旋轉一定的預備攻擊時間後，根據玩家位置射出子彈。 　　Level 3 - 魔王發射連續大子彈。旁邊四隻小怪在全部消滅後自動生成(3種顏色隨機)。

LS3D-W 是个大规模人脸对齐标注数据集，由诺丁汉大学计算机视觉实验室创建。人脸图像来自AFLW, 300VW, 300W和FDDB，人脸对齐采用68点标注法，一共包含了大约 230,000 人脸精准标记图像，通过论文《How far are we from solving the 2D \ 3D Face Alignment problem?》中的方法生成。