图灵奖背后:一个奥斯卡拿到手软,一个公司卖了160亿

【塑料加工工程】气体辅助注塑成型工艺技术:厚壁件中空减重与缩痕控制的系统性解决方案 内容概要:本文系统阐述了气体辅助注塑成型(GAIM)在厚壁塑料制品中实现中空减重与缩痕控制的核心技术原理与工程应用方案。针对传统注塑中因保压压力衰减、浇口冻结导致的缩痕、缩孔、内应力、超重及高锁模力等耦合缺陷,GAIM通过“短射+注气”方式,在熔体芯部形成连续中空气道,利用高压氮气实现内部等压补缩,从根本上重构了压力传递路径。文章深入剖析了短射率、延迟时间、分段气压、氮气纯度等关键参数的作用机制,提出了涵盖模具设计(气针布局、气道拓扑、溢料井)、CAE仿真前置、质量评价体系(CT检测、壁厚均匀性、缩痕等级)及量产管控(SPC、缺陷诊断矩阵)的全流程解决方案。; 适合人群:从事注塑工艺开发、模具设计、高分子材料成型及相关制造领域的工程师与技术人员,尤其适用于具备一定注塑基础、致力于解决厚壁件成型难题的研发人员。; 使用场景及目标:①解决厚壁注塑件的缩痕、缩孔与残余应力问题;②实现产品轻量化设计并降低锁模力与生产周期;③指导GAIM工艺调试、模具开发与缺陷排查,提升量产稳定性与经济效益;④为新材料、新结构的工艺可行性评估提供理论依据。; 阅读建议:此资源强调理论与实践结合,建议读者在掌握聚合物流变学与传热学基础知识的前提下,结合实际案例对照参数窗口与缺陷诊断矩阵进行学习,并重视CAE仿真与首件CT检测在工艺开发中的前置作用,避免仅凭经验调机。 立即下载

By 超神经

内容概要:ACM(国际计算机协会)今天宣布,授予 Patrick M. Hanrahan和 Edwin E. Catmull 2019 年 ACM A.M. 图灵奖荣誉。

关键词:2019 图灵奖

图灵奖官宣,谷歌凑份子

ACM(国际计算机协会)今天宣布,授予 Patrick M. Hanrahan和 Edwin E. Catmull 2019 年 ACM A.M. 图灵奖荣誉。

以表彰他们对 3D 计算机图形学的贡献,以及这些技术对电影制作和计算机生成图像(CGI)等应用的革命性影响。

两位获奖者也将共同获得,由谷歌公司提供的 100 万美元奖金。

Edwin Catmull:16 座小金人的图灵奖得主

Edwin Catmull 是著名计算机科学家,迪士尼动画与皮克斯工作室前总裁(2018 年底卸任),他曾参与创办了现代视觉特效鼻祖 NYIT 计算机图形实验室,该实验室现仍为迪士尼、IBM、HBO、ESPN 等公司提供特效服务。

 从计算机学院走向好莱坞 

Edwin Catmull 在犹他大学获得计算机技术博士学后,1979 年被乔治·卢卡斯(《星球大战》系列导演)聘请,领导卢卡斯影业的计算机部门。

然后在 1986 年,Edwin Catmull 在乔布斯的帮助下,收购了卢卡斯影业的计算机部门,共同创立了皮克斯工作室。

皮克斯工作室初创期(左一:Edwin Catmull)

1995 年,皮克斯发布了首部作品《玩具总动员》,这也是全球首部电脑动画作品,累计上映 21 部动画电影, 2020 年还将有两部作品上映。

 74 亿美金续写动画梦想 

2006 年,迪士尼以 74 亿美金收购皮克斯工作室,并被任命为迪士尼动画工作室和皮克斯工作室的总裁。

至今,这些影片共获得了 16 项奥斯卡金像奖,在全球票房收入超过 130 亿美金。

 Edwin Catmull 收获的小金人数量,小李子听到了会流泪

直到 2018 年,72 岁的 Edwin Catmull 宣布自己退休时,说道:

「我从乔治·卢卡斯导演的要求出发,将技术带入电影业,到实现乔布斯的愿景,以及在迪士尼的支持下 ,我们用最不可思议的方式制作动画。

现在离开一群我爱的人时,感到百感交集,但同时,我们在皮克斯和迪士尼动画,我很庆幸能与你们这样一群专注、有创造力的伙伴们一起共事。」

Patrick Hanrahan:保持初心的百亿富翁

Patrick Hanrahan 是皮克斯动画工作室创始员工之一,同时也是斯坦福大学计算机图形学实验室教授。

1986 年,皮克斯工作室成立后,Patrick Hanrahan 作为早期员工加入,担任首席架构师。

 好莱坞特效鼻祖 

并基于 Edwin Catmull 研究基础,他带领团队开发了具有跨时代意义的特效渲染标准——RenderMan,用于三维模型并渲染成数字图像,通俗点说 RenderMan 是电影特效工业中最经典的渲染器。

在皮克斯工作期间, Hanrahan 还开发了体绘制(volume rendering)技术,根据三维标量数据产生二维图片,核心在于展示物体的细节,比如烟雾、爆炸。

目前 RenderMan 现在已成为好莱坞的标准工具,在获得奥斯卡奖特效奖提名的 47 部电影中,有 44 部使用了 RenderMan。即使如今有其他工具,能够与 RenderMan 媲美,但也无法撼动它的江湖地位与历史意义。

 CUDA 的开山人 

1989 年,Patrick Hanrahan 离开皮克斯工作室,回到斯坦福大学。

1989 年,Hanrahan 在离开皮克斯之后进入普林斯顿大学和斯坦福大学担任学术职务。

Patrick Hanrahan在照片中,总是笑得春风和煦

此后,他和他的研究团队继续扩展 RenderMan ,为了使其可以在更强大的 GPU 上实时工作。Hanrahan 和他的学生开发的 GPU 编程语言,也推动了商业版本(包括 OpenGL )的开发。

他们推出了一种用于 GPU 的语言:Brook,并最终催生了 NVIDIA 的 CUDA。

 与学生创业, 160 亿美金被收购

2003年,Patrick Hanrahan 与他的学生 Chris Stolte 共同创立了数据分析公司 Tableau,于 2019 年被 Salesforce 以约 160 亿美元的价格收购。

2013 年 Tableau 上市,2019 年获得收购

如今,他是斯坦福大学计算机图形学实验室的教授,依旧活跃在计算机图形学领域中。

理想状况:六月颁奖

此外,ACM 还宣布,将在 2020 年 6 月 20 日(星期六)于美国加州旧金山举行的 ACM 年度颁奖宴会上,正式为 Edwin Catmull 和 Patrick Hanrahan 颁发奖项,并未提及是否会受疫情影响。

谷歌赞助的 100 万美元奖金,也会在颁奖宴会上授予两位得主。

不过这两位得主的公司,一个 74 亿美金被迪士尼收购,一个 160 亿美金被 Salesforce 收购。

这一人 50 万美元的奖金,可以放到银行账户里当个零头了。

—— 完 ——

扫描二维码,加入讨论群

获得更多优质数据集

了解人工智能落地应用

关注顶会&论文

回复「读者」了解更多

更多精彩内容(点击图片阅读)

【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现) 内容概要:本文研究基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同三维避障路径规划中的应用,旨在实现最低成本的飞行路径。目标函数综合考虑路径长度、飞行高度、环境威胁和转弯角度等因素,通过改进蜣螂算法提升搜索效率与全局优化能力,有效解决复杂三维空间中多无人机集群的路径规划与避障问题。文中详细阐述了算法改进策略、三维环境建模方法以及多无人机协同机制,并通过Matlab仿真验证了该方法在降低飞行成本、提高避障能力和路径平滑性方面的优越性能。; 适合人群:具备一定优化算法和无人机控制基础,从事智能优化、路径规划或集群控制研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于多无人机在复杂三维环境下的协同任务执行,如灾害救援、军事侦察与智能巡检;②为解决多目标路径优化问题提供高效智能算法方案,提升无人机系统的自主性与安全性。; 阅读建议:建议结合Matlab代码深入理解算法实现细节,重点关注多策略改进机制与目标函数设计,可通过调整环境参数和算法配置进行仿真实验,进一步掌握其在不同场景下的适应性与优化效果。 立即下载

相关推荐

Auto.js实战:从解锁手机到自动阅读的全流程避坑指南(MIUI系统适配版)

本文详细介绍了Auto.js在MIUI系统下的自动化操作全流程优化指南,包括设备唤醒、应用启动、界面交互等关键环节的实战技巧。特别针对MIUI系统的变速检测机制和电源管理策略,提供了有效的避坑方案和性能优化建议,帮助开发者实现从解锁手机到自动阅读的稳定运行。

醉三国 248

2007图灵奖得主离开了:模型检测先驱Edmund Clarke因新冠逝世

视学算法报道作者:蛋酱、张倩2020 还能更糟糕吗?12 月 23 日,英特尔量子硬件研究组总监 James S. Clarke 发文表示,他的父亲、2007 年图灵奖得主 Edmund...

zandaoguang的博客 301

基于图神经网络的社交网络虚假账号检测系统 (Graph-based Fake Account Detection System, GFADS)

FOLLOWSRETWEETSSHAREDCOMMENTSLIKESMENTIONSUseruser_idusernamejoin_datebioavatar_urllocationverifiedis_fakeLOAD CSV这是决定模型性能的关键环节,需结合和。XXedge_indexy新账号缺乏历史数据和丰富关系。全网图可能包含数亿节点和数十亿边,难以直接训练。社交网络是动态变化的,虚假账号策略也在不断进化。获取大规模、高质量的真实/虚假账号标注数据非常困难。

Deng945201314的博客 1481

2020年图灵奖Jeffrey和Alfred人物简介

本篇博文源于2020年图灵奖,旨在讲述图灵奖大佬Jeffrey David Ullman和Alfred Vaino Aho人物生平简介。读完本篇文章,大家可以轻松收获以下: Jeffrey David Ullman学业历程的主要著作以及荣誉称号 Alfred Vaino Aho学业历程主要著作及荣誉称号

执念斩长河 4294

SAP中贸易伙伴的应用原理简析

公司也称为贸易伙伴,是出具合并报表的组织单位,可以为客户和供应商分配公司(贸易伙伴),用于识别集团内关闻公司间的业务往来,在编制合并报表时进行往来账务的计算处理。 如下图某贸易伙伴公司(关联方名称G0059)在我方公司的SAP系统中有多重身份(即是供应商,又是客户)。那么在我方公司SAP系统中建立起公司(贸易伙伴),并关联到供应商和客户主数据中。之后,就可以通过G0059这个贸易伙伴名称来识别与该贸易伙伴间的往来业务。 相应的配置设定如下: 定义公司(贸易伙伴或关联方) 会计凭证中会

专注SAP应用技术文章写作,致力于拉近用户与系统间的距离; 9817

STM32CUBEIDE调试中HardFault_Handler崩溃的故障分析器实战解析

本文详细解析STM32CUBEIDE调试中HardFault_Handler崩溃问题的实战处理方法。通过内置故障分析器自动诊断硬件异常原因,如内存越界、堆栈溢出等,提供图形化界面简化调试流程,并分享配置步骤、典型案例及高级调试技巧,帮助开发者快速定位和解决嵌入式系统崩溃问题。

night的博客 646

三位深度学习之父共获2019年图灵奖,学术人生令人赞叹!!!

2019年3月27日 ——ACM宣布,深度学习的三位创造者Yoshua Bengio, Yann LeCun, 以及Geoffrey Hinton获得了...

zandaoguang的博客 9244

把注释掉的代码删除掉:在 SAP ABAP 团队里打造可回溯、可测试、可演进的代码库

摘要 SAP ABAP项目中常见的"注释掉代码"反模式存在严重隐患:它增加代码噪音,制造虚假安全感,并可能引发安全和合规风险。Clean ABAP指南明确建议删除这类代码,理由包括: 版本控制系统已提供完整历史回溯能力 注释代码会误导开发者,增加理解成本 临时禁用需求应通过Feature Toggle实现 必须保留的参考代码应放入$TMP等隔离区域 团队应建立自动化检查机制,将"删除注释代码"纳入工程规范,确保代码库只表达当前有效的行为逻辑。在AI时代,可以利用工具辅

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 2452

历届图灵奖 (Turing award)得奖名单

Turing奖最早设立于1966年,是美国计算机协会在计算机技术方面所授予的最高奖项,被喻为计算机界的诺贝尔奖。它是以英国数学天才Alan Turing先生的名字命名的,Alan Turing先生对早期计算的理论和实践做出了突出的贡献。图灵奖主要授予在计算机技术领域做出突出贡献的个人,而这些贡献必须对计算机科学与技术有长远而重要的影响。1966年,A. J. Perlis因其在新一代编程技术和编译架

bitcarmanlee的博客 4万+

Open Dynamics Engine(ODE)物理引擎教程(1)--下载与安装准备

引言 ODE是一个免费的工业级库,用于模拟关节式刚体动力学,例如地面车辆、腿部生物和虚拟现实环境中的移动对象。它具有快速、灵活、健壮和独立于平台的特点,具有先进的关节、摩擦接触和内置的碰撞检测功能。 项目主页:http://www.ode.org/ 线上手册:http://ode.org/wiki/index.php?title=Manual 本教程为博主亲自亲测过程的总结,转载请注明出处! ...

腿足机器人领域 2216

【第41篇】ConvMAE:Masked Convolution 遇到 Masked Autoencoders

摘要 论文地址:https://arxiv.org/pdf/2205.03892 视觉转换器 (ViT) 已成为各种视觉任务广泛采用的架构。用于特征预训练的掩码自动编码 [2、1、28、55] 和多尺度混合卷积变换器架构 [12、21、49、34、57] 可以进一步释放 ViT 的潜力,从而实现最先进的图像分类、检测和语义分割的艺术表演。在本文中,我们的 ConvMAE 框架证明了多尺度混合卷积变换器可以通过掩码自动编码方案学习更多的判别表示。然而,直接使用原始掩码策略会导致计算成本和预训练-微调差异。为了

AI浩 2816

专访图灵奖得主David Patterson:8年前就得知被提名,AI跃迁看好边缘计算

栗子 李根 发自 清华 量子位 报道 | 公众号 QbitAI2017年图灵奖,最终颁给了John L. Hennessy和David A. Patterson.他们一个...

量子位 933

计算机组成原理(第三版)唐朔飞-第一章第二章-课后习题

计算机组成原理

weixin_45735391的博客 7万+

图灵奖背后:一个奥斯卡拿到手软,一个公司卖了 160 亿

作者 |神经星星来源 |HyperAI 超神经(ID:HyperAI)出品 | 优快云(ID:优快云news)当地时间 3 月 18 日,ACM...

优快云资讯 1974

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

吉林大学计算机图形学实验_32年后,计算机图形学再获图灵奖,皮克斯大佬推动3D动画发展...

机器之心报道机器之心编辑部我们经常在奥斯卡颁奖礼上感受到皮克斯的力量,但这一次,它的创始成员登上了图灵奖的颁奖台。昨日,ACM(国际计算机协会)宣布,将 2019 图灵奖荣誉授予两位皮克斯联合创始人、计算机图形学专家 Patrick M. Hanrahan 和 Edwin E. Catmull。这也是继 1988 年 IVAN SUTHERLAND 之后,图形学第二次获得图灵奖。Edwin E. ...

weixin_39530269的博客 598

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

图灵奖群星闪耀时:计算机科学殿堂里的英雄史诗

诺尔是丹麦计算机科学家,因为"在Algol 60语言设计和定义方面的开创性工作,以及在编译器设计、计算机编程艺术和实践方面的贡献"获得图灵奖。诺尔领导编写了Algol 60的报告,首次用"巴科斯-诺尔范式"(BNF,Backus-Naur Form)精确描述编程语言的语法。BNF就像编程语言的"语法说明书",让编译器可以自动解析程序结构。诺尔还提出了"计算即人类活动"(Computing as a Human Activity)的观点,强调编程不仅是技术,更是人类的智力活动。

junecauzhang的专栏 267

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

机器人总动员主角简笔画_从玩具总动员到狮子王,皮克斯如何用动画特效革新电影产业?...

计算机领域的最高荣誉,这一次颁发给了将技术与艺术相融合的传奇动画公司皮克斯。今年3月,国际计算机协会ACM宣布将计算机领域“诺贝尔奖”的图灵奖,颁发给著名动画公司皮克斯的两位元老——艾德·卡特姆(Edwin E. Catmull)和帕特里克· 汉拉汗(Patrick M. Hanrahan),以表彰他们在3D图形和CGI电影制作领域的突出贡献。图灵奖组委会表示,两人在概念上的创新以及对软...

weixin_36325615的博客 2652

Google I/O Inspiration专场谈及的10条人生经验

今年的Google I/O大会不仅让开发人员参与其中。 摇滚明星,宇航员和图灵奖获奖者参加了十几场灵感·头脑风暴,与会者了解了技术如何塑造未来,从音乐到艺术再到创意。 以下是从这些会谈中学到的一些经验: 创造力的关键是像孩子一样思考。 获得奥斯卡奖的动画师格伦基恩创造了像Ariel,The Beast和Pocahontas这样的心爱人物。 他告诉与会者,无论你的工作是什么,与你内心的孩子保...

引力空间 万物互联 295

Sora开年王炸!分分钟读懂AI视频进化史

未来已来,现实将被彻底颠覆!▲AI视频创意图 © 由微软 Copilot 生成马斯克再度预言成真,2024果然是人工智能电影元年——GPT技术带来的新一轮人工智能热潮持续席卷全球一年之后,龙年伊始Sora再次横扫千军。▲图注:2023年11月27日Pika爆火后,马斯克预判称明年将是“人工智能电影”元年一周前,Sora以文字一键输出的一分钟连贯视频里,呈现出高度细致的背景、精致复杂的多角度镜头...

YeJuliaLi的博客 362

图形学大牛归国投身产业,还是个让女孩们败家的赛道

杨净 发自 凹非寺量子位 报道 | 公众号 QbitAI王华民归国“创业”了!最近,这则爆料轰动了图形学领域。王华民是谁?俄亥俄州立大学终身教授,四届SIGGRAPH技术论文委员会委员,公...

量子位 1591

年中总结 | 再认识「HyperAI超神经」

要系统地补充 AI 知识,必须建立完整的知识体系,打牢基础,最好将技术落地,最起码知道如何在现实场景中,进行有效地实现。HyperAI超神经就是这样一个公众号。作为一...

HyperAI超神经 1720

计算机导论第二次课后总结

计算机导论第二次课后总结   第二次作业如期而至了呢……   这节课老师讲的东西还是挺多的,而且好多也是概念性较强的东西。现在想着写博客,却发现脑袋里面好像没多少可以写的东西了,吓得我马上翻开了书,又重温了一下课上讲的知识,现在只能说是记得多少写多少了吧…… ...

nyanyaxia的博客 525

(Turing Award)历届图灵奖得主名单

图灵奖排行榜(截止日期200年)图灵奖最早设立于1966年,是美国计算机协会在计算机技术方面所授予的最高奖项,被喻为计算机界的诺贝尔奖.它是以英国数学天才Alan Turing先生的名字命名的,Alan Turing先生对早期计算的理论和实践做出了突出的贡献.图灵奖主要授予在计算机技术领域做出突出贡献的个人.而这些贡献必须对计算机业有长远而重要的影响.迄今为止已有34位在计算机领域做出突出贡献的科

sky的专栏 4969
上一篇: 谷歌&阿迪达斯& EA 联手卖鞋垫,能踢能玩还能训练
下一篇: 阿里首发全球战疫平台,马爸爸在线求转发
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值