素 书

【图形学】体素全局光照GI 前段时间出了虚幻引擎5,介绍说是可以实现实时光线追踪,感觉不可思议,后来看文章发现大部分的光线追踪都是基于体素的光线追踪(消耗比较小),一小部分的光线追踪是基于屏幕的射线。于是找了文章开始了解体素光线追踪。 这个技术是英伟达提出来的,不算真正意义上的光线追踪,有点近似的感觉,但是效果也很逼真,下面介绍一下: 本文算法总共有四个阶段,分别为体素化、直接光照、各向异性过滤、间接光照,算法的各个阶段如图1所示。第一阶段是体素化阶段,将图元为三角形的场景转换为体素场景,计算单个体素的基础属性并存储。第二阶段是直 阅读详情

                               素书
                                                   黄石公


 原始章第一
夫道、德、仁、义、礼五者,一体也。
道者,人之所蹈,使万物不知其所由。
德者,人之所得,使万物各得其所欲。
仁者,人之所亲,有慈慧恻隐之心,以遂其生存。
义者,人之所宜,赏善罚恶,以立功立事。
礼者,人之所履,夙兴夜寐,以成人伦之序。
夫欲为人之本,不可无一焉。
贤人君子,明于盛衰之道,通乎成败之数,审乎治乱之势,达乎去就之理。
若时至而行,则能极人臣之位;得机而动,则能成绝代之功。如其不遇,没身而已。
是以其道足高,而名重于后代。

正道章第二
    德足以怀远,信足以一异,义足以得众,才足以鉴古,明足以照下,此人之俊也。
    行足以为仪表,智足以决嫌疑,信可以使守约,廉可以使分财,此人之豪也。
    守职而不废,处义而不回,见嫌而不苟免,见利而不苟得,此人之杰也。

 求人之志章第三
    绝嗜禁欲,所以除累。抑非损恶,所以让过。贬酒阙色,所以无污。
    避嫌远疑,所以不误。博学切问,所以广知。高行微言,所以修身。
    恭俭谦约,所以自守。深计远虑,所以不穷。亲仁友直,所以扶颠。
    近恕笃行,所以接人。任材使能,所以济物。殚恶斥谗,所以止乱。
    推古验今,所以不惑。先揆后度,所以应卒。设变致权,所以解结。
    括囊顺会,所以无咎。橛橛梗梗,所以立功。孜孜淑淑,所以保终。
 

 本德宗道章第四
夫志,心独行之术。
长没长于博谋,安没安于忍辱,先没先于修德,乐没乐于好善,神没神于至诚,
明没明于体物,吉没吉于知足,苦没苦于多愿,悲没悲于精散,病没病于无常,
短没短于苟得,幽没幽于贪鄙,孤没孤于自恃,危没危于任疑,败没败于多私。 

 道义章第五
以明示下者暗,有过不知者蔽,迷而不返者惑,以言取怨者祸,令与心乖者废,
后令缪前者毁,怒而无威者犯,好众辱人者殃,戮辱所任者危,慢其所敬者凶,
貌合心离者孤,亲谗远忠者亡,近色远贤者昏,女谒公行者乱,私人以官者浮,
凌下取胜者侵,名不胜实者耗。
略己而责人者不治,自厚而薄人者弃废。以过弃功者损,群下外异者沦,既用不任者疏,
行赏吝色者沮,多许少与者怨,既迎而拒者乖。薄施厚望者不报,贵而忘贱者不久。
念旧而弃新功者凶,用人不得正者殆,强用人者不畜,为人择官者乱,失其所强者弱,
决策于不仁者险,阴计外泄者败,厚敛薄施者凋。
战士贫,游士富者衰;货赂公行者昧;闻善忽略,记过不忘者暴;所任不可信,所信不
可任者浊。牧人以德者集,绳人以刑者散。小功不赏,则大功不立;小怨不赦,则大怨
必生。赏不服人,罚不甘心者叛。赏及无功,罚及无罪者酷。听谗而美,闻谏而仇者亡。
能有其有者安,贪人之有者残。

安礼章第六
怨在不舍小过,患在不预定谋。
福在积善,祸在积恶。饥在贱农,寒在堕织。安在得人,危在失事。
富在迎来,贫在弃时。上无常操,下多疑心。轻上生罪,侮下无亲。
近臣不重,远臣轻之。自疑不信人,自信不疑人。
枉士无正友,曲上无直下。危国无贤人,乱政无善人。
爱人深者求贤急,乐得贤者养人厚。国将霸者士皆归,邦将亡者贤先避。
地薄者大物不产,水浅者大鱼不游,树秃者大禽不栖,林疏者大兽不居。
山峭者崩,泽满者溢。
弃玉取石者盲,羊质虎皮者柔。衣不举领者倒,走不视地者颠。
柱弱者屋坏,辅弱者国倾。足寒伤心,人怨伤国。山将崩者下先隳,国将衰者人先弊。
根枯枝朽,人困国残。与覆车同轨者倾,与亡国同事者灭。
见已生者慎将生,恶其迹者须避之。畏危者安,畏亡者存。
夫人之所行,有道则吉,无道则凶。
吉者,百福所归;凶者,百祸所攻。非其神圣,自然所钟。
务善策者无恶事,无远虑者有近忧。
同志相得,同仁相忧,同恶相党,同爱相求,同美相妒,同智相谋,同贵相害,
同利相忌,同声相应,同气相感,同类相依,同义相亲,同难相济,同道相成,
同艺相规,同巧相胜:
此乃数之所得,不可与理违。
释己而教人者逆,正己而化人者顺。逆者难从,顺者易行,难从则乱,易行则理。
如此理身、理国、理家,可也!
--

体素坐标(voxel_coors)在mmdetection3d中的理解 阅读详情

相关推荐

某书某舟某搜某素搜索接口

【代码】某书某舟某搜某素搜索接口。

我不是码农的博客~~~ 105

《素 书》

                   《素 书》                                               〔秦〕黄石公著     一切名贤将相必读的治国宝典,不读圣贤书,无有能力作好官。     人不读此圣典,不会做人,做政治家应以此来作标准。     暴殄天物,太过可惜,今宜公开,作为人类治世的好指南。     此圣典乃照妖镜,惟有牛鬼蛇神、小人奸臣奸雄皆畏之

blog 1949

点云体素下采样 ❤️(体素质心 | 体素中心)

本文详细介绍了点云体素质心下采样和体素中心下采样的原理与代码实现,并与PCL的体素质心下采样的结果作出了对比。最后通过实验,直观的展示了体素质心下采样和体素中心下采样的异同点。

孙悟空 1万+

素书 - 黄石公

素书   《素书 》   夫道德仁义礼,五者一体也。   道者,人之所蹈,使万物不知其所由。德者,人之所得,使万物各得其所欲。仁者,人之所亲,有慈惠恻隐之心,以遂其生成。义者,人之所宜,赏善罚恶,以立功立事。礼者,人之所履,夙兴夜寐,以成人伦之序。   夫欲为人之本,不可无一焉。   贤人君子,明于盛衰之道,通乎成败之数;...

我的记事本 424

点云体素介绍

点云体素介绍

叶子的博客 1万+

Open3D点云数据处理(十七):体素滤波之体素中心下采样

本文主要讲述:体素下采样原理、 体素下采样分类、 下采样结果对比、 体素中心下采样代码实现:1) 代码行实现;2) 函数封装 my_voxel_center_down_sample()

孙悟空 3531

编程素人眼里的编程珠玑

@编程珠玑-吐槽向 编程素人眼里的编程珠玑 作为一个cs专业的素人, 在每一个立志学好计算机的深夜搜索如何做一名优秀的程序员时,都会被推荐这本书,终于我下单了,并且在一个阳光并不充足的周末,我看完了这本书。 第一章 我个人认为第一章是我在这本书里最大的收获。第一章大概讲述了分析问题的重要性。在实际应用情境中,当我们遇见即使一个很常见的问题,我们仍然需要分析在我们的情境中,我们的数据的特点,然后根据数据的特点选择一个最适合的算法,而不是一个理论上的最好的算法。 第二章 二分法, 向量旋转方法以及变位词问题。

baozi_sun的博客 246

低功耗和UPF介绍

参考[UPF]低功耗(Low Power Design)and UPF介紹

青春易逝,愿不负昭华,期待梦与远方 1万+

编译原理 —— 短语、直接短语、素短语和句柄

定义 如果 βββ 中至少含有一个终结符,而且除它自身之外不再含任何更小的素短语,那么称 βββ 为 素短语 题目 令文法 G1G_1G1​ 为: ①S−>(L)∣aS∣a①S->(L)|aS|a①S−>(L)∣aS∣a ②L−>L,S∣S②L->L,S|S②L−>L,S∣S 证明(S,(a))(S,(a))(S,(a))是它...

starter_____的博客 6万+

Halcon 3D点云处理实战:从PLY文件读取到曲面匹配的完整流程(附避坑指南)

本文详细介绍了Halcon在3D点云处理中的完整流程,从PLY文件读取到曲面匹配,特别强调了3D算子的应用技巧和避坑指南。通过实战案例和参数优化建议,帮助开发者高效处理工业视觉检测中的复杂点云数据,提升匹配精度和性能。

weixin_42535720的博客 278

Python气象雷达数据处理实战:用PyCINRAD从基数据到PPI图的完整流程

本文详细介绍了使用PyCINRAD库处理气象雷达基数据并生成PPI图的完整流程,涵盖环境配置、数据读取、反射率与速度数据提取、可视化优化等关键步骤。通过实战案例演示如何从原始雷达数据到专业级PPI图像生成,为气象研究和业务应用提供高效解决方案。

yog99的博客 758

[译]体素技术介绍

A voxel representation of a scene has spatial data as opposed to the conventional rasterization view (as stored in a render target) which just has a slice of depth value. A voxelized scene can be easi...

海洋个人博客 1万+

Solidworks钣金设计:折弯系数、K因子与折弯扣除的实战应用解析

本文深入解析Solidworks钣金设计中折弯系数、K因子与折弯扣除的核心概念与实战应用。通过厘清三者间的逻辑关系与换算方法,并结合材料特性、工艺参数及车间实测,指导工程师精准确定展开长度,确保设计图纸与加工实物的一致性,有效提升钣金件设计精度与生产效率。

weixin_29268267的博客 924

1和4互素吗_互素是什么意思判别方法,1和2互素,互素

互素是什么意思判别方法两两互素就是说,在给出的那些数中任取两个,那两个数除了1没有其他公约数本回答被提问者采纳什么叫做互素两个数的公约数只有一,这样的数叫互质数。两两互质,就是几个数的公约数只有一。两两互质是指一组数,其中任意两个都互质,比如4,5,9,4和5互质,4和9互质,5和9互质,那么4,5,9就叫做两两互质。需要注意的是两两互质是任意两个都互质,而互质是整体的互质。如果几个数两两互质,那...

weixin_36323859的博客 9109

从XSA到Linux应用:Petalinux与Vitis的嵌入式开发全流程解析

本文详细解析了从XSA文件到Linux应用的嵌入式开发全流程,重点介绍了Petalinux与Vitis工具链的使用技巧和实战经验。通过XSA硬件描述、Petalinux工程搭建、系统镜像优化及Vitis开发配置等关键步骤,帮助开发者高效完成ZYNQ平台开发,解决常见问题并提升开发效率。

weixin_29195217的博客 192

AI内容安全机制解析:从破甲现象看模型防护与合规边界

AI内容安全机制是保障人工智能模型合规应用的核心技术,其原理基于多层防护体系。通过意图识别、关键词过滤和多模态检测等技术,系统能够实时监控用户输入和模型输出,有效拦截违规内容。这种机制的技术价值在于平衡模型创造力与内容安全性,确保AI生成内容符合伦理规范。在应用场景上,内容安全机制广泛应用于聊天机器人、内容创作平台和企业级AI系统,防止色情、暴力等有害信息的传播。随着破甲等绕过手法的出现,安全机制需要持续进化以应对指令混淆、上下文污染等新型挑战。本文从技术攻防角度深入分析AI内容安全的实现原理与发展趋势,为

1094

体素转换为点云(VRN)

前面我们输出的灰度图是没有鼻孔的(只能是上小下大),这里我们把它转换为点云。 流程简图: 由于保存192*192*200个点数据比较慢,我们从双线性插值前的48*48*200的数据导出,后面的到C++中处理。 # coding=gbk from tensorflow.core.framework import graph_pb2 from num_save_mat import K_s...

juebai123的博客 5330

基于 ESP32 的智能药盒提醒装置设计与实现

本装置基于 ESP32 实现了智能药盒的核心功能,硬件选型兼顾成本与实用性,软件设计模块化、易拓展。后续可通过 ESP32 的 WiFi 模块接入物联网平台(如阿里云、OneNet),实现远程设置提醒、服药状态反馈等功能,进一步提升智能化水平。该装置能有效解决老人忘服药问题,具有较高的实用价值与推广潜力。

weixin_42300449的博客 1045

八叉树体素遍历近邻体素搜索

网上基本上没有关于pcl 八叉树如何寻找相邻体素问题,这个问题也困扰了我很久。网上基本上都是查找某一体素内的近邻点云,而非查找相邻的体素。一个偶然的机会get到了这个技能,特此分享一下。 说明:pcl中octreekey保存了该体素在xyz方向上的索引号,因此可以根据这一特点进行相邻体素查找。pcl是这样说明的:Octree keys contain integer indices for each coordinate axis in order to address an octree leaf nod

xinxiangwangzhi_的博客 2740

SOEM主站开发篇(1):移植SOEM主站到Linux开发板

详细介绍了SOEM主站源码移植到Linux开发板上的步骤,同时演示了如何使用Linux开发板获取EtherCAT从站的PDO映射信息。

kevin1499的博客 2398

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

3D体素(Voxel)算法原理内容综述

方法优点缺点Dense Grid索引快、实现简单内存消耗大稀疏高效、GPU友好哈希冲突、邻域查询慢Octree自适应分辨率、内存节省实现复杂、遍历开销大TSDF表面重建精度高存储需求大、实时性要求高。

qq_36812406的博客 3690

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

Open3d之点云体素下采样

体素下采样使用常规体素网格从输入点云创建统一下采样的点云。 它通常用作许多点云处理任务的预处理步骤。 该算法分为两个步骤: 点被存储到体素中。 每个占用的体素通过平均内部的所有点来精确生成一个点。 ...

ancy的博客 5115

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")

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

体素的压缩存储

体素的压缩存储

追赶时代的博客 1204

三维重建之understanding部分有关于体素部分的总结(一)

  体素(voxel)是像素(pixel)的3D扩展,像2D中的像素一样,基于体素的表示在3D空间中也有着规则的结构。已经证明在2D图像领域中可用的各种神经网络的体系结构也可以轻松扩展为体素的形式。所以在有关三维场景重建、语义理解方面,也可以通过体素这一表现形式来实现,在这里我们将有关于体素的表达形式分为密集体素表示、稀疏体素表示和通过点云转体素化的形式。 Dense voxel   基于体素的表示方法传统上是密集表示法,它通过3D空间中的体积网格来描述3D形状数据,网格中的每个体素都会记录其占用状态(即已

深海蓝鲸的博客 4348

素饺子馅的做法大全 素饺子馅如何做

素饺子,要的就是一个“素”字,寻常百姓家,希望新的一年没有什么大起大落,平平安安,用天津话就是“素素静静过一年”。素饺子馅儿有白菜,豆腐干儿,香菜,木耳,粉条,黄花菜,还有最重要是就豆腐乳和香油,将各种配料剁成末儿放入豆腐乳和香油调味儿后就可以做馅儿了。素饺子就是菜+料,看自己喜欢什么,做就可以了。白菜饺主料:面粉辅料:澄面、肉馅、白菜、葱、姜调料:盐、味精、白糖、胡椒粉、香油烹制方法:https://www.chachaba.com/news/html/yyeat/meiwei/20120602_7683

qq_36826459的博客 623

音素与视素(Viseme)

音素(Phoneme),是人类语言中能够区别意义的最小声音单位。视素(Viseme),是指与某一音素相对应的嘴、舌头、下腭等可视发音器官所处的状态。Viseme是MEPG4标准提出来的概念。 有时Viseme也翻译为视位。下面会混用这两个翻译方法,但意义一样。

yuanlulu的博客 2697
上一篇: windows完成端口服务器的另一种实现
下一篇: Boost and ACE
whyacinth
博客等级 码龄20年 16粉丝 21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