49、计算机视觉中的多特征相似性轮廓分组与纹理退化描述符评估

计算机视觉中的多特征相似性轮廓分组与纹理退化描述符评估

在计算机视觉领域,轮廓分组和纹理处理是两个重要的研究方向。多特征相似性在轮廓分组中能够显著提升分组质量,而寻找与人类视觉高度相关的纹理退化描述符对于纹理压缩的视觉性能优化至关重要。

多特征相似性在轮廓分组中的应用
  • 信息聚类算法
    信息聚类方法将聚类视为最大化簇内元素平均相似度和最小化簇成员描述复杂度之间的权衡。其目标是为每个数据元素找到一个概率分配到簇的方式,以最大化目标函数:
    [F = \langle s\rangle - T I(C; i)]
    其中,(\langle s\rangle = \sum_{C = 1}^{N_C} P(C)s(C)) 是从每个簇中随机选择元素的平均相似度,(I(C; i) = \frac{1}{N} \sum_{i = 1}^{N} \sum_{C = 1}^{N_C} P(C|i) \log \left(\frac{P(C|i)}{P(C)}\right)) 是簇变量 (C) 和元素变量 (i) 之间的互信息,(T) 是拉格朗日乘数。
    [s(C) = \sum_{i_1 = 1}^{N} \sum_{i_2 = 1}^{N} \cdots \sum_{i_r = 1}^{N} P(i_1|C)P(i_2|C) \cdots P(i_r|C)s(i_1, i_2, \cdots, i_r)]
    这里的相似度度量 (s(i_1, i_2, \cdots, i_r)) 是 (r(r > 2)) 个元素之间的集体相似度度量,对于涉及多特征分组线索的轮廓分组任务非常有用。
  • 轮廓分组流程
    1. 边缘检测与线段形成 :使用 pb 边缘检测器获取边缘点,再用 edgelink 算法形成小线段(edgels)。
    2. 多特征分组线索 :对于每个 edgel,计算其两侧区域的平均灰度值。通过计算这些灰度值的方差来定义多个 edgels 之间的相似度:
      [s(i_1, i_2, \cdots, i_r) = e^{-\frac{var_1^2(i_1, i_2, \cdots, i_r)}{\sigma_1^2}} \cdot e^{-\frac{var_2^2(i_1, i_2, \cdots, i_r)}{\sigma_2^2}}]
      其中,(var_1(i_1, i_2, \cdots, i_r) = \frac{\sum_{i = 1}^{r}(x_i - \bar{x})^2}{r - 1}),(var_2(i_1, i_2, \cdots, i_r) = \frac{\sum_{i = 1}^{r}(y_i - \bar{y})^2}{r - 1}),(x) 和 (y) 分别代表两个灰度值,(\sigma_1) 和 (\sigma_2) 是两个方差的先验知识。
    3. 聚类过程 :基于信息聚类算法,通过迭代更新 (P(C|i)) 来实现聚类。
Algorithm 1. Information-based clustering algorithm with multi-feature similarity
Input:
– parameter T and convergence parameter ϵ (we set T = 1/25 and ϵ = 1×10−10 in our experiment)
– number of clusters NC
– number of elements r in similarity measure s(i1, i2, · · ·, ir)
Output: “soft” partition of the N elements into NC clusters.
Initialization:
1. m = 0
2. For each element i = 1, · · ·, N: P (m)(C|i) ← random distribution.
While True
For each element i = 1, · · ·, N:
1. update P (m)(C|i):
P (m+1)(C|i) = P (m)(C) / Z(i;T) · exp (1 / T [rs(m)(C; i) − (r − 1)s(m)(C)])
where
– s(C; i) = ∑N i1 = 1 · · · ∑N ir−1 = 1 P(i1|C) · · · P(ir−1|C)s(i1, · · ·, ir−1, i)
– s(C) = ∑N i1 = 1 ∑N i2 = 1 · · · ∑N ir = 1 P(i1|C)P(i2|C) · · · P(ir|C)s(i1, i2, · · ·, ir)
– P(i|C) = P(C|i)P(i)/P(C), P(C) = ∑N i = 1 P(C|i)P(i), P(i) = 1/N
– Z(i; T) = ∑NC C′ = 1 P(C ′|i)
2. m = m + 1
3. if |P (m+1)(C|i) − P (m)(C|i)| ≤ ϵ, break.

以下是轮廓分组流程的 mermaid 流程图:

graph TD;
    A[边缘检测] --> B[形成 edgels];
    B --> C[计算多特征分组线索];
    C --> D[聚类过程];
  • 实验结果与分析
    通过实验比较了使用多特征相似性和成对相似性的聚类算法。实验选取灰度图像,仅考虑灰度值信息。结果表明,使用 3 - 特征相似性的 Iclust 算法在区分不同对象轮廓和提取单个显著对象轮廓方面表现更优,具有更稳定和更好的分组性能,说明多特征相似性更鲁棒,对特征描述质量不太敏感。
Image Label Performance Measure Ncut Iclust(pairwise) Iclust(3 - feature)
Fig.4 (a) Precision 0.78 0.50 0.60
Recall 0.54 0.85 0.89
β 0.65 0.65 0.73
Fig.4 (g) Precision 0.41 0.47 0.78
Recall 0.70 1.00 0.95
β 0.54 0.68 0.86
Fig.4 (m) Precision 0.57 0.44 0.59
Recall 0.64 0.92 0.85
β 0.60 0.64 0.71
纹理退化描述符的心理物理评估
  • 研究背景与动机
    在计算机视觉中,准确呈现材料的外观是一项具有挑战性的任务。基于视图和光照的纹理表示可以获得准确的表面纹理,但会产生大量数据集,因此压缩是必要的。为了优化压缩方法的视觉性能,需要找到与人类视觉高度相关的纹理描述符,以自动调整压缩参数。
  • 测试数据设计
    • 纹理样本 :使用五种不同的视图和光照相关的纹理样本,由双向纹理函数(BTF)表示,每个样本包含 81 个光照方向和 81 个视图方向,共 6561 张分辨率为 256 × 256 像素的纹理图像。
    • 立方体形状与光照 :测试图像中的立方体三个可见面具有不同的几何形状,包括 I - 宽凹痕、R - 随机凸起、B - 宽凸起、F - 平面、H - 水平波浪、V - 垂直波浪。使用左右方向的定向光进行照明。
    • 纹理退化模拟 :使用三种滤波器模拟纹理压缩的可能效果,分别是 A - 照明/视图方向下采样到 50%、B - 空间滤波(3×3 核平均)、C - 空间滤波(5×5 核平均)。

以下是测试数据设计的 mermaid 流程图:

graph TD;
    A[选择纹理样本] --> B[设置立方体形状];
    B --> C[确定光照方向];
    C --> D[应用纹理退化滤波器];
    D --> E[生成测试图像];
  • 测试的描述符
    测试了基于结构相似性、视觉差异预测器、局部二值模式、Gabor 特征和二维因果自回归马尔可夫随机场模型的五种描述符。通过对十二名受试者进行心理物理实验来评估这些描述符的性能。

综上所述,多特征相似性在轮廓分组中具有显著优势,而与人类视觉高度相关的纹理退化描述符对于纹理压缩的优化具有重要意义。未来的研究可以进一步探索更多的图像数据和参数值,以及其他的分组线索和描述符。

计算机视觉中的多特征相似性轮廓分组与纹理退化描述符评估

实验设置与结果讨论
  • 实验设置
    为了评估纹理退化描述符的性能,进行了一项心理物理实验。实验选取了十二名受试者,让他们观察测试图像。测试图像包含了之前设计的不同纹理样本、立方体形状、光照条件以及经过纹理退化处理的图像。受试者需要对图像中纹理的退化程度进行主观评价。
  • 结果讨论
    通过对受试者的评价结果与各描述符的计算结果进行对比分析,发现基于二维因果自回归模型的描述符与心理物理结果具有最高的相关性。这意味着该描述符能够最准确地反映人类视觉对纹理退化的感知。

以下是不同描述符与心理物理结果相关性的表格:
| 描述符类型 | 与心理物理结果的相关性 |
| — | — |
| 结构相似性 | 低 |
| 视觉差异预测器 | 中等 |
| 局部二值模式 | 中等 |
| Gabor 特征 | 中等 |
| 二维因果自回归模型 | 高 |

描述符性能评估

通过实验数据对各描述符的性能进行了评估。评估指标主要考虑描述符与人类视觉感知的相关性,以及其在不同纹理样本、形状和光照条件下的稳定性。
- 相关性评估 :如上述表格所示,基于二维因果自回归模型的描述符在相关性方面表现最佳,能够更好地模拟人类视觉对纹理退化的判断。
- 稳定性评估 :在不同的纹理样本、立方体形状和光照条件下,该描述符也表现出了较好的稳定性,说明其具有较强的鲁棒性。

以下是描述符性能评估的 mermaid 流程图:

graph TD;
    A[实验数据] --> B[相关性评估];
    A --> C[稳定性评估];
    B --> D[得出描述符性能结论];
    C --> D;
总结与展望
  • 总结
    本文围绕计算机视觉中的多特征相似性轮廓分组和纹理退化描述符评估展开了研究。在轮廓分组方面,信息聚类算法结合多特征相似性能够显著提高分组质量,尤其是 3 - 特征相似性在实验中表现出更稳定和更好的分组性能。在纹理退化描述符评估方面,通过心理物理实验发现基于二维因果自回归模型的描述符与人类视觉结果具有最高的相关性,可用于自动检测渲染纹理表面的细微变化。
  • 展望
    未来的研究可以从以下几个方面展开:
    • 轮廓分组 :测试更多的图像数据和不同的参数 (r) 值,进一步探索多特征相似性的潜力。除了使用方差计算多特征相似性外,研究其他的分组线索,以提高轮廓分组的准确性和鲁棒性。
    • 纹理退化描述符 :尝试更多类型的纹理样本和更复杂的光照条件,以验证描述符的通用性。结合其他计算机视觉技术,如深度学习,开发更高效、更准确的纹理退化描述符。

通过不断的研究和探索,有望在计算机视觉领域实现更精确的轮廓分组和更优化的纹理压缩,为虚拟现实、文化遗产数字化等应用提供更好的技术支持。

SRAM compiler中 Number of banks 设置 的值时,需要考虑应用的性能需求、功耗要求和面积限制。设计者应根据具体的应用场景选择合适的bank数量,以优化整体系统性能。bank是一种用于分离存储器访问的设计结构,允许同时对不同的存储区域进行读写操作,从而提高存储器的并发访问性能。选项用于指定 SRAM 存储器的 并发存储区域。在 SRAM 编译器中, 阅读详情

相关推荐

华为ITR流程实战指南:从设计到落地的全流程解析(附完整方案下载)

本文深度解析华为ITR流程从设计到落地的全流程实战指南。ITR不仅是高效处理客户问题的“救火”系统,更是驱动产品改进、预防问题的企业“免疫系统”。文章详细拆解了流程设计的四步走策略、三层技术支持体系的组织保障、以闭环改进为核心的考核激励,并探讨了如何借鉴其精髓,优化自身问题管理,实现从被动响应到主动服务的跨越。

y2z3a4b5c的博客 383

51c~视觉~红外小目标检测~合集1

本文提出了一个多尺度方向感知网络(MSDA-Net),首次将高频方向特征作为领域先验引入红外小目标检测网络。为充分挖掘这类特征,该团队设计了两个关键模块:其一是无参数的高频方向注入(HFDI)模块,用于将原始图像的高频方向信息直接嵌入特征提取的早期阶段;其二是多尺度方向感知(MSDA)模块,用于促进不同尺度下局部关系的充分提取和不同方向上关键特征的充分感知。

whaosoft~aiotの开发板商城 1682

AI+医疗:多模态模型让肺结节诊断准确率突破95%+的实战方案

多模态融合是必由之路:单一影像模型难以突破95%准确率,必须整合临床、生物标志物等多维数据跨模态注意力机制是核心:简单拼接效果差,注意力机制能自动学习各模态权重,提升融合效果临床适配比技术先进更重要:模型输出必须符合医生诊断习惯,提供可解释的决策依据持续学习是长期成功的关键:医疗数据分布不断变化,模型必须具备自适应能力多学科协作是保障:放射科、胸外科、病理科、AI工程师共同参与模型设计与优化。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1024

目标检测 16 道高频思考题全解——从 Faster R-CNN 到 YOLO v1 的复习手册

无论哪个版本,loss、输出形状、一次前向都只反映训练/前向过程,真正衡量检测好坏仍要靠独立验证集上的 Precision、Recall、AP、mAP——这是模型"检得准不准"的唯一可靠口径。随机初始化的 RPN 可能没提出与真实实例 IoU 达标(≥0.5)的正 RoI,那么即使图像里有有效 mask,这个 batch 也没有可用的正样本 RoI,loss 自然为 0。课程项目用的是 7×7 网格。把"在哪里"和"是什么"分开,每个候选区域都能拿到充分的特征计算资源做精细分类与回归,精度天花板更高。

anew___的博客 282

QT播放器插件内嵌浏览器配合流媒体实现国标摄像头网页端播放

基本原理在浏览器⽹页中的指定播放窗口的位置和⼤⼩,实现⼀个内嵌到⽹页中显⽰的播放窗⼝,前端还必须可对这个内嵌播放窗⼝进⾏控制,⽽且播放窗⼝必须跟随浏览器窗⼝的移动和缩放、⽹页滚动、标签页切换、关闭等操作进⾏⾃动联动。播放器可以通过QT实现。这个播放窗⼝同时提供Web Socket的服务端和JSON打包命令的解析执⾏模块,前端就可以通过Web Socket连接后发送JSON打包的控制命令实现控制播放窗⼝。

cameravision的博客 562

尝试使用CubeMX做stm32开发之九:SYS配置

参考《STM32中文参考手册_V10》,研究CubeMX中有关SYS的配置

Forster-C的博客 9421

料箱抓取中的背面点:按面板读懂一张坐标可视化

料箱抓取画面里的背面点,是 HccePose(BF) 根据已知物体的 RGB 外观预测出的模型表面坐标。读图时把正面坐标、背面坐标和最后的位姿投影沿着同一个物体对照,才能看出各个中间结果在表达什么。

weixin_42605076的博客 347

机器学习笔记之玻尔兹曼机(一)基本介绍

在受限玻尔兹曼机——模型表示(Representation)一节中以玻尔兹曼机为引,介绍了受限玻尔兹曼机。从本节开始,将正式介绍玻尔兹曼机。相比于它的表示和推断过程,我们更关注它在求解过程中出现的问题。

静静的学习就好 7924

目标检测上机实战手册——四套环境、COCO 数据坑与训练闭环验证全清单

跑目标检测项目,难的不是"看懂原理",而是"跑通并确认它真的跑对了"。这份手册把 Faster R-CNN、Mask R-CNN、YOLO v3、YOLO v1 四个上机项目里所有工程层面的坑一次性整理出来:环境怎么隔离、COCO 标注怎么转、训练一 batch 到底在验证什么、哪些数字能看哪些不能信。

anew___的博客 179

产品经理必备知识——API接口

在古代,我们的传输信息的方式有很多,比如写信、飞鸽传书,以及在战争中使用的烽烟,才有了著名的烽火戏诸侯,但这些方式传输信息的效率终究还是无法满足高速发展的社会需要。如果你选择允许,app就会根据你的当前位置为你提供更加个性化的一些服务,当然也有一些app拿到你的位置信息做出损害用户利益的行为,所以还是需要谨慎授权。首先,看接口文档的场景一般是自身业务模块需要获取外部的数据,但又不想自己重新开发,寻找外部已经实现的有开放能力的供应商(包含企业内部的)。通过发送请求和响应消息的方式实现程序间的通信。

WBKJ_Noah_的博客 3458

从C-EPS到DP-EPS:手把手图解不同EPS类型怎么选,对你的车操控感影响有多大?

方向盘转动时那股细腻的阻尼感,高速过弯时令人安心的沉稳,或是狭窄车位里一根手指就能拨动的轻盈——这些看似微妙的差异,其实都源自转向系统电机那几厘米的安装位置变化。当我们谈论驾驶乐趣时,发动机参数和悬架调校总是占据C位,但真正连接驾驶者与车辆的神经末梢,恰恰是那套默默工作的电动助力转向系统(EPS)。不同EPS类型带来的操控特性差异,可能比马力数字更能定义一辆车的性格。

weixin_30920513的博客 532

无人机航拍垃圾检测数据集深度学习 目标检测 无人机航拍 垃圾检测 环境卫生 YOLO格式 数据集发布9029期

无人机航拍垃圾检测数据集深度学习 目标检测 无人机航拍 垃圾检测 环境卫生 YOLO格式 数据集发布9029期

qq_2529413168的博客 230

基于FPGA与红外成像的眼动追踪系统设计与实现(教学向)

本文详细介绍了基于FPGA与红外成像的眼动追踪系统设计与实现。通过红外摄像头采集图像,利用FPGA进行实时图像处理和红外瞳孔追踪,结合Verilog编程实现多目标检测与瞳孔定位。该系统适用于嵌入式视觉教学,展示了硬件搭建、算法优化及实时显示的完整流程。

g5h6i7j的博客 823

YOLO算法室内环境玻璃瓶目标检测数据8979张:类别与标注速览

该数据集聚焦于室内环境中各类玻璃瓶的识别与定位,涵盖多种材质、颜色和形状的玻璃容器,适用于家庭、仓储、零售等场景下的物品管理与自动化识别需求。该数据集包含训练集7812张、验证集818张、测试集349张,共计8979张图像,分布结构合理,能够有效支持模型训练、调优与性能评估。落地场景大致有智能仓储管理系统、自动分拣设备、零售商品识别系统以及家庭安防监控等领域,尤其适用于需要对玻璃制品进行分类与追踪的工业与消费场景,具备良好的落地潜力与实用前景。数据量、场景复杂度、标注质量三样都过关,这份数据可以直接开训;

小秋的博客 259

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

OpenCV 车辆数量统计

涉及到的知识点:1)基本图像运算与处理2)形态学3)轮廓查找4)加载视频5)通过形态学识别车辆6)对车辆进行统计7)显示车辆统计信息。

ahccqw的博客 110

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

【无标题】无人机视角道路坑洞坑洼目标检测数据集深度学习 目标检测 无人机航拍 道路坑洞 路面病害 YOLO格式 数据集发布9032期

(一)类别构成该数据集聚焦单一类别——坑洞(类别 ID 为 0),任务指向明确,围绕无人机俯视视角下的道路坑洞目标开展检测标注。类别体系精简,与公路路面病害巡检的实际需求高度契合,图像中的坑洞样本可直接作为路面破损识别的核心正样本,便于对接道路养护排查流程。(二)数据数量数据集规模为 3285 张无人机俯视航拍图像,采用标准 YOLO txt 标注格式,标注框总计 4457 个,其中带有效标注的图片 2007 张,全部图片均带有有效标注。

qq_2529413168的博客 185

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

基于深度学习的猫图像目标检测方法研究:YOLOv8s模型海选、多种子对比训练与Django+ONNX部署实现详解

本课题基于深度学习研究猫图像目标检测问题。数据集含1000张猫图像、1188个标注框,按固定比例划分并冻结清单;训练前在多个候选族中短训海选,确定YOLOv8s为主模型,经学习率搜索与显存标定后完成150轮训练,验证集mAP50达到0.92,并以7个随机种子的对比实验验证稳定性。最优权重导出为ONNX接入Django系统,提供图片、视频、摄像头三种识别方式,配套识别记录管理与统计大屏,形成从训练到应用的完整闭环。

WEIXIN_JSJBSZDS的博客 218

基于深度学习的水下复杂场景鱼类目标检测系统:YOLOv8+Django实现详解

本课题面向水下复杂场景的鱼类检测问题,以YOLOv8s为主模型,在约8200张、13类的水下图像上完成训练。训练前通过短训海选自动选型,训练后与Faster R-CNN、SSD300在同一冻结划分和COCO评测口径下对比,三个随机种子重复实验并做统计检验,验证集mAP50-95为0.734。最优权重经对账后导出为端到端ONNX,接入Django与Vue系统,提供图片、视频、摄像头识别、识别历史管理与可视化大屏,形成从模型到应用的完整闭环。

WEIXIN_JSJBSZDS的博客 350

无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期

无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期

qq_2529413168的博客 211

深度学习 目标检测 无人机巡检 防震锤 电力设备 YOLO格式 数据集发布

深度学习 目标检测 无人机巡检 防震锤 电力设备 YOLO格式 数据集发布 9038期

qq_2529413168的博客 314

OpenCV 图像轮廓

轮廓查找 绘制轮廓 计算面积 计算周长 approxPolyDP (多边形拟合) 作用: 用较少且平滑的直线段来近似表示一个复杂的轮廓。常用于提取物体的几何形状(如把圆角矩形简化为矩形,把五角星简化为五边形),是形状识别中非常常用的函数。参数含义: 作用: 找到能够将一个轮廓(或一堆点)完全包围住的最小凸多边形。就像是用一根橡皮筋把所有钉子(轮廓上的点)紧紧包住,橡皮筋的形状就是“凸包”。常用于检测物体的凸缺陷。参数含义: 大外接矩形 (Bounding Rectangle) 作

ahccqw的博客 243

tonemap算法初探

4.三边滤波(trilateral filter)通过进一步考虑梯度变化来改进边缘处行为,后续的加权最小二乘滤波、局部拉普拉斯滤波等边缘感知滤波器(EPF)沿同一思想发展,构成了局部色调映射中一条清晰的技术脉络。3.tonemap色调映射算法是未来解决HDR的图像在SDR设备上显示的问题来设计一种变换函数,其目标不是。2.HDR图像不经过任何处理,直接显示在SDR的设备上,超出显示上限的亮度被截断为纯白,低于下限。并且在压缩全局动态范围的同时,如何尽可能保留局部对比度和细节,并且抑制此过程中产生的伪影。

dong6016的博客 381

基于深度学习的猫狗目标检测(Python+YOLO26m+Django)实现详解

详解基于深度学习的猫狗目标检测系统:YOLO26m迁移学习训练、数据划分与错标检测、ONNX导出、Energy阈值拒识、Django+Vue网站部署,附后端核心代码。

WEIXIN_JSJBSZDS的博客 382

通过能量分离实现开放世界目标检测中的未知目标检测

在本研究中,我们致力于解决开放世界目标检测(Open World Object Detection,OWOD)问题。这一具有挑战性的任务要求检测器在增量学习过程中,既能够持续学习并分类已知类别的目标,同时避免遗忘已有知识,又能够在缺乏监督的情况下识别未知目标。以往的 OWOD 方法主要通过改进未知目标发现机制,并采用记忆回放(Memory Replay)策略来缓解灾难性遗忘。然而,由于现有方法在检测未知目标时高度依赖检测器对已知类别的预测结果,因此难以有效学习和识别未知目标的特征表示。

qq_22583741的博客 264

基于 YOLOv8 的轴承缺陷检测(Web 版)

本项目是轴承表面缺陷检测模型的 Web 端实现。围绕 YOLOv8 在轴承表面缺陷数据集上完成四类缺陷的检测模型训练后,使用 FastAPI 把模型能力封装为可直接登录使用的 Web 检测平台。平台覆盖从数据准备、模型训练、指标评估,到推理服务、历史沉淀、统计分析的完整链路。除了常规的图片、批量、视频、摄像头检测,还把模型训练搬到了网页上:可以在浏览器里配置超参数发起真实训练,训练中在线调整学习率、查看实时曲线与日志,训练完成后把权重一键应用到检测服务,形成「训练 → 评估 → 检测」的闭环。

Michael_Jay的博客 293

航拍水葫芦检测数据集深度学习 目标检测 无人机航拍 水葫芦 水域监测 YOLO格式 数据集发布9031期

航拍水葫芦检测数据集深度学习 目标检测 无人机航拍 水葫芦 水域监测 YOLO格式 数据集发布9031期

qq_2529413168的博客 304
上一篇: 66、音频记录中的呼吸道疾病检测与精神障碍检测研究
下一篇: 9、多目标优化与城市固废预测:技术融合与应用探索
gitlab7runner
博客等级 码龄4年 78粉丝 1747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  | 博主筛选后可见
 
 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