注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. J2ME+手机游戏开发技术详解.pdf

  2. 第1章 J2ME概论 1.1 J2ME的基本概念 1.2 CLDC简介 1.3 MIDP应用程序开发 1.4 J2ME 3D概述 1.5 3D手机游戏的分类和设计概要 1.6 本章小结 第2章 开发环境的选择和配置 2.1 WTK 2.5的安装和配置 2.2 手机厂商SDK 2.3 Jbuilder 2006移动开发环境 2.4 Eclipse 3.2.1移动开发环境 2.5 NetBeans 5.5移动开发环境 2.6 本章小结 第3章 游戏开发相关技术 3.1 游戏用户界面（Canvas）

  3. 所属分类：Android

    • 发布日期：2012-11-12
    • 文件大小：485kb
    • 提供者：yersterday

  1. 海康视频卡动态库

  2. using System; using System.Collections.Generic; using System.Text; using System.ComponentModel; using System.Data; using System.Drawing; using System.Windows.Forms; using System.Runtime.InteropServices; namespace DS40XXSDK { #region enum /// /// 板卡

  3. 所属分类：C#

    • 发布日期：2014-09-06
    • 文件大小：93kb
    • 提供者：ld19851126

  1. OCAM录屏工具

  2. oCam(屏幕录像机) oCam是 100%免费 屏幕录像机的 家里和办公室 。 下载 编解码器的页面 有什么新 版本57.0(2014-12-30) | (韩国网站) *添加一个32位游戏记录特性举9(内置的编解码器和海外战争退伍军人全国大会的编解码器的支持) *添加到允许设置线程的数量的时间编码 *改善最大FPS值,这样就可以将高达128 *修改的记录按钮的下拉菜单和快捷键已被同时使用 *在操作系统的部分,修改出来的隐藏底部工具栏 *修改错误的一部分(失败)调用操作系统功能的Windows

  3. 所属分类：其它

    • 发布日期：2015-01-08
    • 文件大小：4mb
    • 提供者：e3space

  1. yolo源码+tensorflow版本

  2. 目标检测 yolov1源码 作者提出了一种新的物体检测方法YOLO。YOLO之前的物体检测方法主要是通过region proposal产生大量的可能包含待检测物体的 potential bounding box，再用分类器去判断每个 bounding box里是否包含有物体，以及物体所属类别的 probability或者 confidence，如R-CNN,Fast-R-CNN,Faster-R-CNN等。 YOLO不同于这些物体检测方法，它将物体检测任务当做一个regression问题来处理

  3. 所属分类：深度学习

    • 发布日期：2018-07-18
    • 文件大小：178kb
    • 提供者：sinat_36360518

  1. yoloV4.pdf

  2. yoloV4速度效率双提升。将 AP 和 FPS 分别提高了10%和12%。该论文是非常好的目标检测学习资料。详细讲解了各种tricks的效果。

  3. 所属分类：深度学习

    • 发布日期：2020-04-29
    • 文件大小：3mb
    • 提供者：shajiayu1

  1. Python-CornerNetLite基于关键点的实时且精度高的目标检测算法

  2. CornerNet-Lite，基于关键点的实时且精度高的目标检测算法。CornerNet-Lite 在 FPS和mAP上都超过了YOLOv3。

  3. 所属分类：其它

    • 发布日期：2019-08-10
    • 文件大小：373kb
    • 提供者：weixin_39840914

  1. darknet-YOLOV4修改版可以直接在Jetson系列产品上使用

  2. YOLO之父Joseph Redmon在今年年初宣布退出计算机视觉的研究的时候，很多人都以为目标检测神器YOLO系列就此终结。 然而在4月23日，继任者YOLO V4却悄无声息地来了。Alexey Bochkovskiy发表了一篇名为YOLOV4: Optimal Speed and Accuracy of Object Detection的文章。 YOLO V4是YOLO系列一个重大的更新，其在COCO数据集上的平均精度(AP)和帧率精度(FPS)分别提高了10% 和12%，并得到了Jos

  3. 所属分类：深度学习

    • 发布日期：2020-09-06
    • 文件大小：7mb
    • 提供者：baidu_28109521

  1. YOLOv5主代码python

  2. YOLOv5 主代码。YOLOv5 的表现要优于谷歌开源的目标检测框架 EfficientDet，尽管 YOLOv5 的开发者没有明确地将其与 YOLOv4 进行比较，但他们却声称 YOLOv5 能在 Tesla P100 上实现 140 FPS 的快速检测；相较而言，YOLOv4 的基准结果是在 50 FPS 速度下得到的.

  3. 所属分类：C++

    • 发布日期：2020-11-21
    • 文件大小：1006kb
    • 提供者：chu83866

  1. Mask R-CNN

  2. 一、前言 本文提出了一个概念上简单且灵活通用的目标分割框架——Mask R-CNN Mask R-CNN能有效地检测图像中的目标，同时能为每个实例生成高质量的分割掩码 Mask R-CNN训练简单，相对于Faster R-CNN，只需增加一个较小的开销，运行速度可达5 FPS，且很容易推广到其他任务中 二、模型与方法 2.1 设计思路 由于Fast/Faster R-CNN和FCN的出现，使得目标检测和语义分割的效果在短时间得到了很大改善 目标分割它需要正确检测图像中的所有目标，同时也要精确地分

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：493kb
    • 提供者：weixin_38719635

  1. YOLOv4目标检测

  2. YOLOv4目标检测,介绍YOLOv4使用方法，训练

  3. 所属分类：深度学习

    • 发布日期：2021-01-03
    • 文件大小：12mb
    • 提供者：taoye_11

  1. FairMOT:一次多目标跟踪的简单基准-源码

  2. FairMOT 单次多对象跟踪的简单基准： ，张以夫，王春雨，王兴刚，曾文俊，刘文宇arXiv技术报告（ ） 抽象的 近年来，作为多目标跟踪的核心组件的目标检测和重新识别取得了显着进展。但是，很少有人关注在单个网络中完成两项任务以提高推理速度。沿此路径进行的初始尝试最终导致结果降低，这主要是因为未正确学习重新标识分支。在这项工作中，我们研究了故障背后的根本原因，并因此提出了解决问题的简单基准。在30 FPS时，它的性能明显优于MOT挑战数据集上的最新技术。我们希望这个基准可以启发并帮助评估

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：42mb
    • 提供者：weixin_42122881

  1. ttfnet-源码

  2. 训练时友好的网络，用于实时目标检测 用于实现的代码（ 接受）。 强调 简单：无锚，单级，轻型，无需费时的后处理。 TTFNet仅需要两个检测头即可分别进行对象定位和尺寸回归。 训练时间友好：我们的TTFNet在抑制训练时间的同时，胜过各种实时检测器。 此外，在使用8 GTX 1080Ti的MS COCO数据集上，超高速TTFNet-18和TTFNet-53仅在2小时后才能达到25.9 AP / 112 FPS，在大约3小时后才能达到32.9 AP / 55 FPS。 快速而精确：我们的TTF

  3. 所属分类：其它

  1. Unity-Pathfinding-Jobs-StressTest:Unity项目展示A *寻路，完全定制化和突发式编译。 它还包含用于构建网格的RaycastCommand和BoxcastCommand的示例，以及用于移动代理的IJobP

  2. 关于 Unity项目展示A *寻路，完全定制化和突发式编译。 用于执行寻路的网格也是使用作业构建的，射线投射用于扫描可步行的地板，盒子投射用于烘烤障碍物。 对每个代理，每个帧执行寻路。 它使用四个邻居，并且没有进行路径平滑/后处理。 没有局部回避，因此代理将重叠。 使用IJobParallelForTransform移动代理。 可以进行很多改进，但目的是确定PC在合理的帧速率下每帧可以处理多少条路径。 切记要保持作业泄漏检测和安全检查处于关闭状态，以避免开销。 显示网格的渲染对性能也有较小的

  3. 所属分类：其它

    • 发布日期：2021-03-13
    • 文件大小：36mb
    • 提供者：weixin_42104181

  1. MINet:CVPR2020，用于显着目标检测的多尺度交互式网络-源码

  2. 用于显着目标检测的多尺度交互式网络 CVPR 2020。 无：有关本文的后续更新，请参见arixv版本。 变更日志 代码和实验结果现已发布 :grinning_face_with_smiling_eyes: 。 2021/1/18： 修复SIM卡模块的形式： : 2020/12/08： 简化代码结构。 将简单版本添加到simpler分支中，但是我没有时间对其进行测试。 因此，如果发现任何错误，就可以创建一个问题。 添加预提交钩子以在提交之前格式化代码。 2020/7/23：

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：980kb
    • 提供者：weixin_42117224

  1. tennis_tracking-源码

  2. 跟踪网球运动员和球 关于该项目 该项目的目标是： 以检测和跟踪两个玩家，并且只能检测和跟踪两个玩家。 例如，不得认出男生/女生。 检测并跟踪球。 鸟瞰球员的位置 更一般而言，此工具是对更先进工具的介绍，该工具可以借助跟踪数据（所覆盖的距离，球的反弹区域等）来分析网球比赛。 关键文件 bird_eye_view.py：类和函数来构建鸟瞰动画。 court.py：用于在视频跟踪中显示球场轮廓的功能。 tracknet.py：用于检测视频中网球的神经网络。 dictor_video.py

  3. 所属分类：其它

    • 发布日期：2021-03-06
    • 文件大小：67mb
    • 提供者：weixin_42139357

  1. Score_recognition：从FPS“使命召唤：黑色行动4”中识别游戏得分和统计数据-源码

  2. 游戏成绩识别 1.引言 目的是从计分板上找到并提取游戏结果和统计数据。 该游戏是第一人称在线射击游戏《使命召唤：黑色行动4》。 作为输入，我们有一个带有记分板的图像。 作为输出，应该有文本，其得分和统计数据应为两个小组。 该任务分为两个阶段： 场景检测。 在图像上定位具有目标数据（文本）的线段。 文本提取。 在第一阶段识别段中的文本。 这两个任务是分别解决的，并且每个任务都有自己的模型和实现。 2.场景检测 2.1准备数据集 如前所述，数据的单个元素是带有FPS游戏计分板的图像。 该图像

  3. 所属分类：其它

  1. 电话号码-源码

  2. 适用于Windows和Linux的Yolo-v3和Yolo-v2 （用于目标检测的神经网络）-Tensor Cores可以在和 更多详细信息： : 如何在Windows上编译 mAP0.5（AP50） YOLOv3-spp优于YOLOv3-mAP = 60.6％，FPS = 20： ://pjreddie.com/darknet/yolo/ 从表1（e）获得的基于MS COCO的RetinaNet的Yolo v3源图表： ://arxiv.org/pdf/1708.02002.pdf

  3. 所属分类：其它

    • 发布日期：2021-02-19
    • 文件大小：18mb
    • 提供者：weixin_42107374

  1. FairMOT：该项目正式提供了我们最近在视频中进行实时多对象跟踪的工作。 先前的工作使用两个单独的模型进行对象检测和跟踪，因此它们非常慢。 相比之下，我们提出了一种单阶段解决方案，该解决方案通过优雅地解决对齐问题来对单个网络进行检测和跟踪

  2. FairMOT 这是以下方面的官方实现： ， 张以夫，王春雨，王星刚，曾文俊，刘文宇arXiv技术报告（ ） 抽象的 近年来，作为多目标跟踪的核心组件的目标检测和关联已取得了显着进展。 但是，很少有人关注在单个网络中完成两项任务以提高推理速度。 沿此路径进行的初始尝试最终导致结果降低，这主要是因为未正确学习关联分支。 在这项工作中，我们研究了故障背后的根本原因，并因此提出了解决问题的简单基准。 在30 FPS时，它的性能明显优于MOT挑战数据集上的最新技术。 我们希望这个基准可以启发并帮助

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：43mb
    • 提供者：weixin_42135462

  1. 一种基于YOLOv3的红外目标检测系统

  2. 针对未来战场感知体系的自动化和智能化的需求，设计出了一种基于深度学习的战场红外目标检测系统。近年来随着深度卷积神经网络在图像识别领域的广泛应用，因此将这项新技术应用于军事目标检测具有极强的现实意义。系统通过红外成像机芯采集红外图像，使用图像采集卡实时传输图像数据，最后在主机端利用深度卷积神经网络进行目标检测。以YOLOv3算法作为基础，以某款金属车辆模型为例，采集该型车辆的红外图像数据并制作相应的数据集，训练得到相应的检测内核。通过实验证明，检测速度可达在30 帧/秒以上，且在fps达到30的前

  3. 所属分类：其它

  1. CPNDet:无锚，两阶段目标检测的角提议网络-源码

  2. 注意！我无法开源经过训练的模型！ 您可能需要自己训练。 ，，，，， 此处提供了用于训练和评估建议的CPN的代码。 有关更多技术细节，请参考我们的。 感谢提供了的原始实施。 我们还将和一些代码 ，我们感谢他们提供了它们的实现。 CPN是免锚的两阶段检测器，可从头开始进行训练。 在MS-COCO数据集上，CPN的AP达到49.2％，在最新的物体检测方法中具有竞争力。 在需要更快的推理速度的场景中，可以通过适当地替换较轻的主干（例如DLA-34）并且在推理阶段不使用翻转增强来进一步加速CPN。 在

  3. 所属分类：其它

« 12 »