刷刷刷粉刷匠-优快云博客

原创 AI模型的未来之路：全能与专精的博弈与共生

AI模型的未来之路充满挑战与机遇。从全能型模型到专精型模型的选择、模型的合理使用与道德规范、以及智能化的持续升级，都对AI技术的发展提出了新的要求。通过全面评估、平衡专精化与可扩展性、遵循道德规范、融合创新和推进社会责任，我们可以更好地推动AI技术的进步，实现技术的可持续发展。希望本文的探讨和代码示例能为行业研究人员和从业者提供有价值的参考。

2024-09-07 22:46:46 1094

原创如何将卷积神经网络（CNN）应用于医学图像分析：从分类到分割和检测的实用指南

U-Net：U-Net是一种用于生物医学图像分割的卷积网络。它的关键特点是具有对称的编码器-解码器结构和跳跃连接（skip connections），可以更好地保留和利用图像的空间信息。DeepLab：DeepLab使用空洞卷积（dilated convolutions）来扩展卷积核的感受野，同时保持图像的分辨率，并结合条件随机场（CRFs）进一步精细化分割结果。：YOLO通过将图像划分为网格，并在每个网格中预测边界框和类别，具有实时检测的优势。

2024-09-07 22:26:58 1635

原创机器学习-神经网络：循环神经网络（RNN）详解

循环神经网络（RNN）及其变种在深度学习领域中扮演着至关重要的角色。其设计初衷是为了处理时序数据和序列数据，这使得它们在许多应用场景中表现卓越。

2024-09-07 21:36:31 1462

原创人工智能、机器学习与深度学习的区别及其应用

人工智能（AI）可以被定义为计算机系统或机器模仿人类智能行为的能力，它涉及感知、推理、学习、规划和决策等多种智能任务。AI 的目标是通过机器实现人类的智力活动，从而解决复杂的现实问题。在这一过程中，AI 系统需要处理多种形式的数据，如图像、语音、文本等，通过算法实现对这些数据的感知和理解，再基于推理和逻辑做出相应的决策。感知：通过传感器（如摄像头、麦克风）或其他数据输入源，感知外界环境。典型应用包括计算机视觉、语音识别。推理与规划：通过逻辑推理和规划算法，预测未来可能发生的情况并制定相应的行动计划。

2024-09-07 19:51:58 1536

原创【机器学习】生成对抗网络(Generative Adversarial Networks, GANs)详解

生成对抗网络（GAN）作为一种具有深远影响的生成模型，自2014年首次提出以来，已在多个领域取得了显著的进展。GAN的核心思想，即通过对抗性训练的方式生成逼真的样本，展示了其在数据生成、图像编辑、数据增强等方面的巨大潜力。随着技术的不断进步，GAN的应用领域也在不断扩展，为解决实际问题提供了新的解决方案。

2024-09-07 18:59:08 1323

原创【机器学习】自然语言处理中的Transformer模型：深度解析与前沿发展

Transformer模型的提出标志着自然语言处理（NLP）领域的一场革命性变革。与传统的RNN（循环神经网络）和LSTM（长短期记忆网络）等依赖顺序传递的模型不同，Transformer完全抛弃了递归结构，采用了基于自注意力机制（Self-Attention）和全连接层的架构，极大提升了对长序列依赖的捕捉能力和计算效率。编码器（Encoder）和解码器（Decoder），两者通过多个堆叠的层实现对输入序列的编码和解码。

2024-09-07 00:50:09 1000

原创【机器学习】从零开始理解深度学习——揭开神经网络的神秘面纱

神经网络（Neural Network）是一种模仿人类大脑神经系统的计算模型，由大量互联的人工神经元（也称为节点或单元）构成。其核心思想是模拟生物神经系统的层次化结构，以层与层之间的连接权重传递信息，并通过不断的调整权重，使得网络能够从数据中学习到有效的特征和规律。神经网络已经成为深度学习中的基础架构，广泛应用于多个领域，包括图像识别、语音识别、自然语言处理等。深度学习框架是构建和训练神经网络模型的核心工具，它们提供了高效的计算图构建、自动求导、模型训练和评估等功能。

2024-09-06 23:56:13 1271

原创【机器学习】深度学习的现实应用——从图像识别到自然语言处理

深度学习（Deep Learning）是一种通过层层抽象的结构化模型，模拟人脑神经元的工作机制，来处理复杂数据并完成高层次任务的人工智能技术。与传统的浅层机器学习方法相比，深度学习在模型架构上采用了多层神经网络，每一层可以捕捉不同层次的特征，进而实现更高效的特征表达与信息处理。这种多层次的结构赋予了深度学习强大的表示能力，使其在面对图像、语音、文本等复杂数据时表现出色。在深度学习中，网络的“深度”通常指的是神经网络中隐藏层的数量。

2024-09-05 22:21:47 2677 1

原创深度学习｜模型推理：端到端任务处理

在深入探讨端到端模型推理的能力时，有必要通过具体任务来进行阐述与验证。手写数字识别（Handwritten Digit Recognition）是一个经典且广泛使用的深度学习任务，它不仅能够直观地展示端到端模型的能力，同时也是计算机视觉领域中理解模型推理的入门课题。手写数字识别通常使用MNIST数据集，这个数据集包含0-9的灰度手写数字，每个图像为28x28像素。通过使用深度学习模型如卷积神经网络（CNN），我们可以对这些手写数字进行准确识别。为了实现手写数字的自动识别，我们使用卷积神经网络（CNN）。

2024-09-05 21:28:20 1473

原创机器学习引领未来：赋能精准高效的图像识别技术革新

监督学习通过使用带有标签的数据集进行训练，模型学习从输入到输出的映射关系。模型的目标是通过最小化预测值与实际值之间的误差来提高预测准确度。线性回归（Linear Regression）：用于预测连续值。其基本形式是通过最小化预测值和真实值之间的均方误差（MSE）来拟合一条直线。# 生成示例数据# 创建线性回归模型# 进行预测print(predictions) # 输出预测值支持向量机（SVM, Support Vector Machines）：用于分类问题，通过找到最佳的超平面将数据分开。

2024-09-04 19:15:26 2797

原创碰撞检测 | 详解矩形AABB与OBB碰撞检测算法(附ROS C++可视化)

AABB由两个对角点的坐标定义：一个是左下角的最小点（minPoint），另一个是右上角的最大点（maxPoint）。这两个点共同确定了一个轴对齐的矩形边界框。为了判断两个AABB是否发生碰撞，算法会检查它们在各个轴上的投影是否重叠。A由minPointA(minX_A, minY_A)和maxPointA(maxX_A, maxY_A)定义。B由minPointB(minX_B, minY_B)和maxPointB(maxX_B, maxY_B)定义。

2024-09-04 18:28:39 4515

原创【机器学习-神经网络】循环神经网络

循环神经网络（RNN）是一类专门用于处理序列数据的神经网络。与传统的前馈神经网络不同，RNN在网络中引入了循环连接，使得网络能够在处理每个时刻的数据时，考虑之前时刻的数据。这种结构使得RNN特别适合处理和预测序列数据中的时序依赖关系。循环神经网络（RNN）作为处理序列数据的核心技术，已经在自然语言处理、时间序列预测和语音识别等领域取得了显著的成就。通过引入LSTM和GRU等变体，RNN能够有效地解决传统RNN中的问题，并在更复杂的应用场景中展现出强大的能力。

2024-09-03 23:31:29 1376 2

原创 yolo8 目标检测、鉴黄

YOLOv8作为YOLO（You Only Look Once）系列的最新版本，在继承其前代模型优良特性的基础上进行了全面升级。YOLO系列模型自问世以来，以其独特的单阶段检测方法和卓越的实时性能在计算机视觉领域占据了重要位置。YOLOv8的发布标志着目标检测技术的又一里程碑，其在检测速度、精度、灵活性等方面都实现了新的突破，尤其在应用场景的广泛性和复杂性上展现出了更强的适应能力。YOLOv8作为目标检测领域的最新突破，继承了YOLO系列模型的优点，同时在精度和效率上取得了显著的提升。

2024-09-03 23:09:40 4397 4

原创 Python 数据可视化：工具与实践

数据可视化指的是使用图形、图表或其他视觉手段来展示数据的过程。其主要目的是将复杂的数据转化为直观的视觉信息，使观众能够更容易地理解数据的结构、趋势和关系。揭示模式和趋势：通过图表中的图形和颜色变化，揭示数据中的潜在模式和趋势。识别异常和异常值：帮助识别数据中的异常值和异常模式，从而进行进一步的分析。简化复杂数据：将复杂的数据集简化为易于理解的视觉形式，提高数据的可读性。支持决策制定：为业务决策提供数据驱动的支持，使决策过程更加科学和合理。

2024-09-02 23:19:32 2382

原创 CNN中的注意力机制综合指南：从理论到Pytorch代码实现

卷积神经网络（CNN）作为深度学习中的一种经典模型，广泛应用于图像处理和计算机视觉任务。然而，传统的CNN在捕捉图像中的重要区域和特征时存在一定的局限性。为了克服这些局限，注意力机制被引入到CNN中，以动态地调整对不同区域和通道的关注程度，从而提升模型的性能和表达能力。在本节中，我们将详细定义CNN中的注意力机制，并阐述其在卷积网络中的作用和实现方式。在卷积神经网络（CNN）中引入注意力机制已经成为提升模型性能的关键技术之一。

2024-09-02 22:17:24 1295

原创【机器学习】循环神经网络(RNN)介绍

RNN正是为了这一需求而设计的，其核心优势在于其内部的循环结构，使得网络能够保持对之前输入的记忆，从而捕捉序列中的上下文信息。RNN的结构变种，如LSTM和GRU，通过引入门控机制和记忆单元，显著改进了标准RNN在处理长序列数据时的表现。然而，随着技术的不断进步和新的需求的出现，RNN的未来展望包括多个方向，其中包括更高效的网络架构、更先进的训练技术和更广泛的应用场景。理解RNN的基本原理和结构是深入掌握更复杂的RNN变种（如LSTM和GRU）的基础，为后续应用和研究提供了必要的理论支持和实践指导。

2024-09-01 21:32:58 1663

原创 AI 内容创作：思考与实践

大语言模型（Large Language Models, LLM）是基于深度学习技术训练的大规模神经网络模型，能够理解和生成自然语言文本。通过训练数十亿甚至上千亿参数，这些模型在语言处理任务中展现了前所未有的能力。LLM 的强大之处在于其对上下文的深刻理解和生成文本的连贯性，这使得它们在各种应用场景中都能生成高度自然的文本，从写作助手到聊天机器人，再到翻译系统，都展示出了极高的实用价值。LLM 通过吸收大量的语料库，学习语言的语法、语义和语境关系，从而具备生成与输入相匹配的高质量内容的能力。

2024-09-01 20:42:28 1316

原创从跟跑到领跑：AIGC时代国产游戏的崛起与展望

在AIGC（人工智能生成内容）时代，国产游戏行业正经历前所未有的变革。从技术深度挖掘到行业影响深度剖析，再到未来趋势与跨界合作，我们可以清晰地看到，人工智能不仅为游戏开发带来了新的可能性，还为行业发展注入了强劲的动力。5.1 技术革新驱动游戏行业变革人工智能技术的进步，尤其是生成对抗网络（GAN）、自然语言处理（NLP）和强化学习等，正在推动游戏行业的技术革新。AI技术不仅在游戏内容生成方面展现了巨大的潜力，如生成游戏角色图像和剧情文本，而且在游戏设计和开发过程中，AI的应用也极大地提升了效率和创造力。

2024-08-31 22:03:26 1392 1

原创认识人工智能（AI，Artificial Intelligence）

人工智能的基本定义人工智能（Artificial Intelligence，AI）是一门旨在模拟人类智能的计算机科学领域。它不仅涉及开发具备感知、学习、推理和决策能力的算法，还涵盖了创建这些算法的理论框架和技术方法。人工智能的核心在于构建能够自主处理复杂任务的系统，这些任务通常需要人类的认知能力来完成。狭义与广义的人工智能。

2024-08-31 20:03:38 2249

原创《机器学习》K-means 聚类原理、参数解析、案例实现

生成示例数据# 可视化数据plt.title("生成的数据")plt.xlabel("特征 1")plt.ylabel("特征 2")plt.show()# 设置簇的数量k = 4# 创建 K-means 模型# 拟合模型# 获取聚类结果# 可视化结果plt.title("K-means 聚类结果")plt.xlabel("特征 1")plt.ylabel("特征 2")plt.show()# 计算轮廓系数。

2024-08-30 22:51:18 1763

原创【人工智能】多模态AI：如何通过融合文本、图像与音频重塑智能系统未来

这种方法通过整合文本、图像、音频等不同类型的数据模态，旨在实现更全面、更智能的系统，能够处理和理解复杂的现实世界信息。未来的多模态AI系统将会在多个方面展现出更多的创新和潜力，包括更深层次的模态融合、自适应与个性化的系统设计、高效计算与资源优化等。未来，随着多模态技术的发展，我们可以进一步提升模型的性能，实现更加精准的情感分析。多模态AI（Multimodal AI）是人工智能研究中的一个重要方向，旨在通过结合多种类型的数据模态（如文本、图像、音频等），实现对复杂信息的全面理解和处理。

2024-08-29 21:17:46 1827

原创【AI】：探索在图像领域的无限可能

在人工智能的快速发展中，图像领域的技术进步显著推动了多个行业的变革。从图像识别与分类的飞跃，到图像生成与创造的艺术，再到图像增强与修复的神奇，图像搜索与理解的智能，图像分析与挖掘的洞察，以及图形生成技术的突破，每一个方面都展示了AI在图像处理领域的巨大潜力和应用价值。

2024-08-29 19:13:38 1601

原创【机器学习】智驭未来：机器学习如何重塑现代城市管理新生态

随着机器学习技术的不断发展和应用，城市管理正迈向一个智能化、自动化的新时代。从智能交通、绿色生态、公共安全到智慧服务，机器学习技术在各个领域的应用，不仅提升了城市管理的效率和效果，也为居民创造了更加安全、舒适的生活环境。然而，要实现这一目标，还需要面对数据隐私、安全、算法透明性等挑战。在未来的城市管理中，政府、企业、学术界和市民将共同参与，共创一个更加智能、高效的城市生态。通过持续的技术创新和优化，我们有理由相信，智能城市将为我们的生活带来更加美好的未来，实现城市的可持续发展和居民的幸福生活。7. 结语。

2024-08-28 19:40:04 1401

原创 AI中的核心概念解读：深度学习、机器学习、神经网络与自然语言处理

深度学习、机器学习、神经网络和自然语言处理是AI领域的重要组成部分。这些技术正在改变我们与世界互动的方式，从语音助手到图像识别，再到自动翻译，它们在各个领域的应用前景广阔。通过掌握这些核心概念和实现方法，您将能够更好地理解和应用AI技术，从而在这一快速发展的领域中占据一席之地。

2024-08-28 18:04:11 1553

原创 AI学习指南深度学习篇：循环神经网络（RNN）Python实践

RNN的独特之处在于它能够保留输入数据的历史信息，并利用这些信息来预测后续的输出，这使得它在自然语言处理、时间序列预测等领域中拥有广泛的应用。与传统的前馈神经网络不同，RNN具有“记忆”功能，能够在每个时间步中保留前一时刻的信息，并将其与当前输入结合进行处理。GRU是另一种改进的RNN变种，它在保持LSTM性能的同时，结构更为简洁，计算开销更小。在本节中，我们将使用Python和TensorFlow/Keras库构建一个简单的RNN模型，并进行序列数据的预测。首先，需要在您的系统中安装Python。

2024-08-27 19:08:28 1348

原创机器学习概述与应用：深度学习、人工智能与经典学习方法

机器学习是一门让计算机能够在没有明确编程的情况下“学习”的科学。它利用统计学、数据分析和优化方法，从数据中提取模式或规律，并根据这些模式做出预测或决策。机器学习的核心步骤包括数据收集、数据预处理、模型选择、模型训练、模型评估与优化。

2024-08-27 18:35:02 1529

原创【机器学习】CNN在计算机视觉中的应用

随着计算能力的提升和数据的丰富，CNN在计算机视觉中的应用将继续拓展。未来，融合多模态数据、提升模型鲁棒性与解释性将成为CNN发展的重要方向。在本文中，我们从基础概念出发，探讨了CNN在计算机视觉中的经典应用，并通过代码示例加深了对其工作原理的理解。希望这些内容能为从事人工智能与计算机视觉研究的学者和工程师提供有价值的参考。

2024-08-27 18:07:34 1181

原创防患未然：构建AIGC时代下开发团队应对突发技术故障与危机的全面策略

每一次技术故障都是一次学习的机会。通过事后总结，团队可以发现问题根源，并制定改进措施，防止类似故障的再次发生。问题复盘：详细回顾问题发生的经过，记录问题的发现、定位、解决过程。根本原因分析：通过5 Whys等方法，深入分析问题的根本原因。改进措施制定：基于问题复盘和根本原因分析，制定具体的改进措施。知识分享：将总结的经验教训记录在内部知识库中，供团队成员学习参考。在AIGC时代，开发团队面临的技术挑战与日俱增。

2024-08-26 20:33:31 1204

原创借题《黑神话：悟空》聊聊UE5 游戏开发中基本的 C++ 概念

在虚幻引擎5的开发中，C++与蓝图的结合使用是一种非常有效的开发模式。在《黑神话悟空》这样的复杂游戏开发中，合理选择并结合使用C++和蓝图，不仅能提高开发效率，还能确保游戏的性能和质量。《黑神话：悟空》的出现震撼了游戏界，以其精美的画面、复杂的游戏机制和流畅的操作体验，展现了虚幻引擎5（UE5）的强大能力。未来，随着游戏技术的不断发展，C++将继续在高性能和复杂游戏开发中占据重要地位，而虚幻引擎5的不断进化也将为开发者提供更多的工具和选项，让他们能够更轻松地实现创意和想法。

2024-08-26 20:00:15 1284

原创程序员如何平衡日常编码工作与提升式学习？

在如今这个技术飞速发展的时代，程序员不仅需要专注于完成日常的编码任务，还必须不断提升自己的技能，以应对行业的变化和个人职业发展的需求。这一目标不仅具体，而且有明确的时间限制，有助于他保持学习的动力。某开发者在经历了一段时间的过度工作后，决定重新调整自己的工作和生活时间，通过合理安排工作时间，并为个人爱好和家庭生活留出时间，成功找到了工作与生活的平衡。在一个大型项目中，团队成员通过使用开源的身份验证库，节省了开发自定义身份验证模块的时间，并且由于使用了经过社区广泛测试的代码，项目的安全性也得到了提升。

2024-08-23 00:23:33 900 3

原创【机器学习】经典CNN架构

这一章通过具体的代码示例展示了经典CNN架构在图像分类、物体检测和语义分割任务中的实际应用。每个示例都提供了详细的Python代码，能够帮助读者理解如何使用经典CNN模型解决实际问题，并在这些任务中应用相应的技术和方法。在本文中，我们深入探讨了经典卷积神经网络（CNN）架构的核心组成部分及其演变，涵盖了从基础卷积层到复杂网络结构的详细分析。经典CNN架构的基本组成：经典CNN架构包括卷积层、激活函数、池化层和全连接层。这些基本组成部分通过有效的特征提取和降维操作，使得CNN能够在处理图像数据时表现出色。

2024-08-22 23:41:55 1592

原创你是如何克服编程学习中的挫折感的？

在编程学习的过程中，挫折感是许多学习者常常遇到的问题。无论是初学者还是有一定经验的程序员，都可能在学习过程中感受到挫败。本文旨在深入探讨如何通过调整心态、优化学习方法、有效利用资源和分析成功与失败的经验，来克服编程学习中的挫折感。通过科学的分析和实际的案例，帮助读者建立积极的学习心态，并提供具体的策略来提高学习效率。这个详细的内容结构旨在帮助读者从各个方面克服编程学习中的挫折感。每个章节提供了丰富的理论分析和实际案例，以帮助读者理解和应用所学知识。如果有任何修改或进一步的需求，请随时告诉我。

2024-08-21 20:59:00 912

原创【机器学习】探索机器学习在旅游业的革新之旅

本文全面探讨了机器学习技术在旅游行业中的广泛应用，从基础概念到高级技术逐步展开。机器学习在旅游行业的概念与发展：我们首先对机器学习的基本原理进行了回顾，并探讨了其在旅游行业中的历史与现状。旅游行业与机器学习的结合展示了数字化转型的巨大潜力，为行业提供了创新的解决方案。旅游数据的获取与处理：通过详细介绍旅游行业数据的特征与来源，我们强调了数据清洗、预处理与特征工程在机器学习模型中的重要性。良好的数据基础是模型精度和有效性的保障。推荐系统的应用：推荐系统是机器学习在旅游业中的典型应用之一。

2024-08-21 20:34:21 1208

原创 AI辅助编码:主流IDE中的智能代码补全和生成功能对比

本文详细探讨了人工智能（AI）在现代软件开发中的应用，特别是在集成开发环境（IDE）中的智能代码补全和生成功能。通过对比多款主流IDE的功能特点，分析这些技术如何提升开发效率、减少错误率及增强开发者体验。本文采用科学严谨的方法，通过具体的Python代码示例展示各类技术的应用场景及实现方式。开源、跨平台的代码编辑器，广泛支持多种编程语言。提供多种插件支持智能代码补全与生成。专注于Java开发的IDE，提供丰富的智能代码辅助功能。强大的集成开发环境支持自动代码生成和重构。PyCharm。

2024-08-20 19:35:06 949

原创【人工智能】Python融合机器学习、深度学习和微服务的创新之路

随着人工智能技术的迅猛发展，Python已成为机器学习、深度学习及微服务开发的首选编程语言。其简洁的语法和强大的生态系统，使得它在数据科学、模型开发与部署方面拥有显著优势。机器学习和深度学习已逐步从理论研究走向实际应用，涵盖了从图像识别、自然语言处理到智能推荐系统等广泛领域。而微服务架构则提供了构建、扩展和管理复杂系统的一种更灵活的方法，将大型应用拆分为一组小型、独立部署的服务，从而提高了系统的可维护性和可扩展性。机器学习是人工智能的一个重要分支，致力于研究如何通过数据来改进算法性能。线性回归。

2024-08-20 18:41:51 1339

原创未来科技的密码：全面掌握人工智能的系统学习路径

定义与历史：介绍AI的基本定义、发展历程及其重要里程碑。AI的分类：从弱AI到强AI的分类，及其应用场景。

2024-08-19 19:32:47 541

原创探索深度学习的力量：从人工智能到计算机视觉的未来科技革命

未来，随着技术的进一步发展和应用场景的不断扩展，深度学习有望在更多领域取得突破，为社会带来更大的价值和影响。与传统的机器学习方法相比，深度学习能够自动提取和学习数据中的特征，从而在许多视觉任务中取得了前所未有的高精度。特别是深度学习技术的突破，进一步推动了计算机视觉领域的飞速发展，使得机器能够像人类一样“看”世界，从而带来了全新的科技创新与变革。深度学习在计算机视觉中的应用范围非常广泛，从基础的图像分类、目标检测到更复杂的场景理解、图像生成等领域，深度学习都展示出了卓越的能力。

2024-08-19 19:12:15 1510

原创 AI时代的程序员：如何在技术变革中持续保持竞争优势

要在这个快速发展的领域中保持核心竞争力，程序员需要掌握新的技术技能，保持持续学习的习惯，积极参与跨领域合作，并且注重创意和创新。程序员在掌握AI技术的同时，还需要培养自己的创意思维，勇于挑战传统的思维模式，寻找新的应用场景和解决方案。因此，程序员在AI时代，应该积极与其他领域的专家合作，了解行业的具体需求和挑战，找到AI技术的最佳应用场景。同时，在设计AI系统时，考虑到人性化设计，确保系统的易用性和可理解性，可以为用户带来更好的体验，也能够增加产品的市场竞争力。AI技术的发展离不开社区的力量。

2024-08-18 13:49:30 649

原创人工智能时代，程序员如何保持核心竞争力？

未来的程序员，需要在技术与人文的交汇点上，找到自己的核心竞争力，并以此引领技术发展，为社会带来更大的价值。在AI生成代码的背景下，如何将这些代码融入整体系统，保证系统的可维护性和扩展性，是程序员必须掌握的核心能力之一。程序员需要在高效完成工作的同时，保持对代码质量的把控，并确保AI生成的代码符合项目的整体架构要求。在人机协作的过程中，程序员不仅是技术的执行者，更是社会责任的承担者。在AI辅助编程工具的使用中，程序员需要不断探索新的编程模式，提出独到的见解和解决方案，以应对复杂的技术挑战和业务需求。

2024-08-18 13:38:07 832

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

人工智能：python+OpenCV实现视频跟踪流水线缺陷检测识别

vc++图形图像编程技术

C++实现图像离散余弦变换和量化处理

图像特征提取代码.zip

C#实现一维离散小波变换

Flash8专用播放器

VS版本转换

两直线确定角分线

空空如也