对图像 Resize 批量处理并保存到指定文件夹

　　amplifycolor：可以用PS来调整整个游戏项目的颜色，使用Amplify Color Volume可以局部的设置所进入区域的颜色。 　　第一步：导入amplifycolor。 　　第二步：连接PS 　　第三步：设置Ps；编辑—远程连接——修改密码。勾选启用远程连接。 　　第四步：返回unity3d找到Window,选择LUT Editor。选择settings——password——密码选择自己当时设置的密码。 　　第五步：选择Photoshop——Send screenshot to Photoshop进入PS，进行调色，调色完成后，进入Read preset from Photoshop(如果没有保存就进行保存。) 　　第六步：在Component——Image Effects——Amplify Color，加入摄像机上面。 　　第七步：在GameObject——GameOther——Amplify Color Volume——进行颜色调整。 　　有关Amplify Color Volume设置的介绍 　　Lut Texture 这是你保存的贴图 　　Exposure：曝光 　　Enter Blend Time:进入曝光的时间。 　　Priority:占时不知 　　Show In Scene View:是否在场景中显示线框。

基于铌酸锂调制器的微波光子信号处理技术与毫米波频段ROF系统设计

无偏自相关函数与有偏自相关函数的关系式为 因为 是无偏估计，因此得到 1. 偏移性 上式说明 是有偏估计，但是渐近无偏，其偏移为

基于传统图像处理算法和深度学习的轨道区域识别研究.pdf

SystemView是一种信号级的系统仿真软件，主要用于电路与通信系统的设计、仿真和分析。在它的图标库中提供了大量的信号源、接收端、功能块、算子图符和函数库，用户只需用鼠标从SystemView库中选择所需图符并将这些图符拖到设计窗口中连接起来，就能构成各种通信系统的仿真模型。通过 SystemView的分析窗口，能直接观测到传输过程中的信号的波形和频谱变化，并能方便的进行各种比较分析，这有助于我们更深刻地理解通信系统的工作原理和各个设备的功能。本文以2DPSK调制解调系统为例，详细说明如何应用SystemView构建仿真系统和分析信号在传输过程中的变化。     1 2DPSK调制解调基本

引言 　　在对时变信号进行分析时，小波变换则显现出了明显的优势，因为它能够同时在时域和频域进行局部分析。小波算法由于具有滤波效果好、信号细节损失少的优点，从而引起了人们的广泛关注和实际生活中的不断应用。目前常用的硬件芯片分为两大类：基于大规模可编程集成电路FPGA的纯硬件实现方案和基于高速通用DSP的软件实现方案。采用FPGA的硬件实现方案硬件接口设计灵活，可以和任意数字外围电路直接使用，且其具有高度的集成度和高速的处理速度；而基于高速通用DSP的软件实现方案代码设计灵活，可以快速修改和调试程序。由于小波算法运算量较大，采用DSP方案则不能满足系统的实时性要求。于是，本文提出了一种采用FPGA

分享课程——自然语言处理NLP企业级项目课程合集，共包含5门课程，依次是：医疗命名实体识别、火车票识别、新闻文本分类、属性级情感分析、实体关系抽取。3个NLP经典任务，2个真实商业项目。

行人检测是实现智能交通与客流监控的关键技术，深度学习方法训练模型已经在行人检测领域取得了良好的效果。但是当训练样本质量不佳时，训练的模型往往不能得到令人满意的效果。为了提高雾霾天气与曝光较强环境下的行人检测效果，提出了将暗通道去雾算法应用于深度学习的样本预处理中，并使用快速深度卷积神经网络训练行人检测模型。在实验中，首先对10000张样本图片采用暗通道去雾算法进行预处理，之后分别使用有无暗通道去雾算法预处理的样本图片训练模型，最后比较这两种模型在不同场景下的模型检测准确率。实验结果表明，使用暗通道去雾预处理后的样本训练得到的深度模型具有更好的检测效果，在多种场景下的检测率都得到提升。

自然语言处理 我在这里分享了我在IE Univesity的自然语言处理课程中使用的一些代码。 我也分享我所做的项目。 1.计算歌曲的词汇多样性 我遇到一篇文章，讨论一些音乐家在其职业生涯中的整体词汇。 因此，我想将清单上前3位歌手和最后2位歌手的歌曲与我们在课堂上看到的3首歌曲进行比较。 排在首位的是Eminem（毫不奇怪），他的100首最慢的歌曲中使用了大约8,800个单词。 然后是Jay Z（6,900字）和Tupac Shakur（6,600字）。 排在最末的是Spice Girls和Bruno Mars（大约1500个单词）。 我尝试选择看起来在词汇上更加多样化的歌曲，并且与预期的一样，结果表明两组之间的差异很大，而且与我们看到的三首歌曲相比，差异也很大。 （可以在文件1_Lexical_Diversity中找到该代码） 2.分类模型：真实与否？ NLP与灾难鸣叫 我们获得了将近1