讨论了结构简洁、高分辨率的手机镜头的光学设计问题,对现有的手机光学系统进行了总结和研究,利用光学设计软件Code V,结合非球面透镜理论,设计出可用于可见光波段且符合结构简洁、成像品质高、生产成本低要求的手机定焦镜头。镜头长度较短,采用非球面塑料透镜,生产成本较低,成像性能良好,满足使用要求。

提出了一种融合全局和局部深度特征（GLDFB）的视觉词袋模型。通过视觉词袋模型将深度卷积神经网络提取的多个层次的高层特征进行重组编码并融合，利用支持向量机对融合特征进行分类。充分利用包含场景局部细节信息的卷积层特征和包含场景全局信息的全连接层特征，完成对遥感影像场景的高效表达。通过对两个不同规模的遥感图像场景数据集的实验研究表明，相比现有方法，所提方法在高层特征表达能力和分类精度方面具有显著优势。

为提取高分辨率的多极阵列声波测井单极纵波时差以满足薄层勘探开发的需要。提出了相关频谱结合多炮点的处理方法。即采用相关频谱法提取多极阵列声波测井的最短共发射和共接收子阵列的单极纵波时差，然后把跨同一深度地层的所有最短共发射或共接收子阵列的纵波时差平均，分别得到共发射纵波时差或共接收纵波时差。用该方法处理了大庆油田8口井的多极阵列声波测井资料，并将提取的纵波时差与用AtIas公司express软件提取的纵波时差及国产高分辨率声波时差曲线对比分析。结果表明，该方法能够可靠地、高分辨率提取多极阵列声波测井纵波时差

电子秤源代码和硬件电路图、PCB开源

外部接口方面HDMI占据了较大的市场优势，但是DisplayPort凭借自身的结构优势正在缩小差距。 内部接口方面，传统的LVDS在面对这些高分辨率的显示屏时越来越吃力，DisplayPort的内部接口eDP会在将来逐渐取代LVDS。本文对EDP协议传输内容进行了详细讲解

舌象的精准分割对舌诊中舌体识别与分类具有重要意义，采用传统图像处理方法和深度学习方法分割舌象会丢失部分舌象边缘信息，从而降低舌体识别精确度。针对该问题，提岀一种利用高分辨率网络的舌象分割算法。使用区域定位网络识别舌体并提取舌象原图特征生成建议框，对其进行分类和回归处理以定位舌象所在区域，同时构建高分辨率网络提取该区域高分辨率特征，最终完成舌象分割。实验结果表明，该算法可有效保留舌象边缘信息，其分割结果平均交并比达到98.2%，较Segnet、Mask-rcnn算法分割舌象更精准。

消息： [2020/06/15]可以使用Google Colab进行演示（包括可视化）！ 请查看以了解用户测试的许多结果！ 该存储库包含“用于高分辨率3D人类数字化的多级像素对齐的隐式函数”的pytorch实现。 该代码库提供： 测试代码 可视化代码 Google Colab上的演示 如果您没有运行GPU的环境来运行PIFuHD，我们将提供Google Colab演示。 您还可以上传自己的图像并与可视化一起重建3D几何。 使用以下笔记本尝试我们的Colab演示： 要求 Python 3 在测试 json 皮尔 skimage tqdm cv2 为了可视化 与pybrbree PyOpenGL的 freeglut（为ubuntu用户使用sudo apt-get install freeglut3-dev ） ffmpeg 注意：建议至少使用8GB GPU内存来运行PI

Tensorflow实施论文“快速，准确的超高分辨率的深拉普拉斯金字塔网络”（CVPR 2017） 这是使用TensorLayer的Tensorflow实现。 原始论文和使用MatConNet的实现可以在他们的上找到。 环境 使用python 3.6和cuda 8.0对实现进行了测试。 下载资料库： $ git clone https://github.com/zjuela/LapSRN-tensorflow.git 火车模型 在config.py文件中指定数据集路径并运行： $ python main.py 使用挑战数据集对预训练模型进行训练。 测试 使用您的测试图像运行： $ python main.py -m test -f TESTIMAGE 结果可以在文件夹./samples/中找到

训练12小时后512x512鲜花，1 gpu 训练12小时后256x256朵鲜花，1 gpu 比萨 ``轻巧''GAN 在Pytorch的ICLR 2021中提出的实现。 本文的主要贡献是发生器中的跳层激励，以及鉴别器中的自动编码自监督学习。 引用单行摘要“在经过数小时培训的情况下，可以在1024 g分辨率的数百张图像上融合在单个gpu上”。 安装 $ pip install lightweight-gan 使用 一个命令 $ lightweight_gan --data ./path/to/images --image-size 512 每隔1000次迭代，模型将保存到./models/{name} ，模型中的样本将保存到./results/{name} 。 name将是default ，默认情况下。 训练设定 深度学习从业人员的自我解释能力很强 $ lightweight_ga

这是一款高分辨率数字加速度计，通过I2C接口测量范围大于±16g，适用于监控运动状态。使用此模块，您可以轻松地在设计中添加监视移动功能。如手臂，腿部晃动。如果您想通过手臂摇晃切换iPhone歌曲，那么此模块仅适合您。 3轴加速度计规格参数: 尺寸:25.43mm x 20.35mm 工作电压:3.3V 分辨率:3.9mg / LSB 测试范围:±16g 控制模式:I2C 硬件安装: 注意: 与其他Xadow模块一样，您需要将Xadow 3轴加速度计连接到Xadow主板，然后再将测试代码上传到Xadow主板以获取Accelerometer信息。 将Xadow 3轴加速度计连接到Xadow主板时，您应该关注连接方向。连接方法是一个Xadow模块的未填充角需要连接到另一个模块的直角（参见每个Xadow模块的四个角）。 测试代码: 上传代码后，打开串行监视器以查看测试结果。该传感器的输出为3轴加速度信息，转换为重力单位“g”。