- 导入表（Import Table）是Windows可执行文件中的一部分，它记录了程序所需调用的外部函数（或API）的名称，以及这些函数在哪些动态链接库（DLL）中可以找到。在Win32编程中我们会经常用到导入函数，导入函数就是程序调用其执行代码又不在程序中的函数，这些函数通常是系统提供给我们的API，在调用者程序中只保留一些函数信息，包括函数名机器所在DLL路径。 导入表（Import Table）是Windows可执行文件中的一部分，它记录了程序所需调用的外部函数（或API）的名称，以及这些函数在哪些动态链接库（DLL）中可以找到。在Win32编程中我们会经常用到导入函数，导入函数就是程序调用其执行代码又不在程序中的函数，这些函数通常是系统提供给我们的API，在调用者程序中只保留一些函数信息，包括函数名机器所在DLL路径。
- PE结构是Windows系统下最常用的可执行文件格式，理解PE文件格式不仅可以理解操作系统的加载流程，还可以更好的理解操作系统对进程和内存相关的管理知识，DOS头是PE文件开头的一个固定长度的结构体，这个结构体的大小为64字节（0x40）。DOS头包含了很多有用的信息，该信息可以让Windows操作系统使用正确的方式加载可执行文件。从DOS文件头IMAGE_DOS_HEADER的e_lfan... PE结构是Windows系统下最常用的可执行文件格式，理解PE文件格式不仅可以理解操作系统的加载流程，还可以更好的理解操作系统对进程和内存相关的管理知识，DOS头是PE文件开头的一个固定长度的结构体，这个结构体的大小为64字节（0x40）。DOS头包含了很多有用的信息，该信息可以让Windows操作系统使用正确的方式加载可执行文件。从DOS文件头IMAGE_DOS_HEADER的e_lfan...
- 这是一篇用GAN做文本生成图像（Text to Image、T2I）的论文，文章在2016年由Reed等人发布，被ICML会议录取。可以说是用GAN做文本生成图像的开山之作。 这是一篇用GAN做文本生成图像（Text to Image、T2I）的论文，文章在2016年由Reed等人发布，被ICML会议录取。可以说是用GAN做文本生成图像的开山之作。
- 摘要我们提出了一种使用从 FAST+BRIEF 特征中获得的词袋进行视觉位置识别的新方法。我们第一次构建了一个离散化二进制描述符空间的词汇树，并使用该树来加速几何验证的对应关系。我们使用完全相同的词汇和设置，在非常不同的数据集中呈现没有错误的优胜结果。包括特征提取在内的整个技术在包含 26300 张图像的序列中每帧需要 22ms，比以前的方法快一个数量级。索引词——地点识别、词袋、SLAM... 摘要我们提出了一种使用从 FAST+BRIEF 特征中获得的词袋进行视觉位置识别的新方法。我们第一次构建了一个离散化二进制描述符空间的词汇树，并使用该树来加速几何验证的对应关系。我们使用完全相同的词汇和设置，在非常不同的数据集中呈现没有错误的优胜结果。包括特征提取在内的整个技术在包含 26300 张图像的序列中每帧需要 22ms，比以前的方法快一个数量级。索引词——地点识别、词袋、SLAM...
- *ShaderJoy —— Shader 特效乐趣无穷* *ShaderJoy —— Shader 特效乐趣无穷*
- 计算机文字识别，俗称光学字符识别，英文全称是Optical Charater Recognition（简称OCR）,它是利用光学技术和计算机技术把印刷在或者写在图纸上的文字以文本形式提取出来，并转换成一种计算机能够接受、人又可以理解的格式。本文汇总了文字识别技术综述与论文解读系列文章，一起深入学习文字识别相关技术。 计算机文字识别，俗称光学字符识别，英文全称是Optical Charater Recognition（简称OCR）,它是利用光学技术和计算机技术把印刷在或者写在图纸上的文字以文本形式提取出来，并转换成一种计算机能够接受、人又可以理解的格式。本文汇总了文字识别技术综述与论文解读系列文章，一起深入学习文字识别相关技术。
- A Study about Radar-based Quantitative Precipitation Estimation (QPE) Methods基于雷达图像进行定量降水估计的方法主要分为以下几类：物理模型：基于Z-R relation的一系列方法、插值法等机器学习方法：SVM，RF, gradient boosted model(GBM), extreme learning ... A Study about Radar-based Quantitative Precipitation Estimation (QPE) Methods基于雷达图像进行定量降水估计的方法主要分为以下几类：物理模型：基于Z-R relation的一系列方法、插值法等机器学习方法：SVM，RF, gradient boosted model(GBM), extreme learning ...
- 本文介绍两种端到端训练通用目标检测算法--DETR和DeFCN. 本文介绍两种端到端训练通用目标检测算法--DETR和DeFCN.
- 为了简洁代码，还有为了拓展原生组件没有的属性，就不得不进行一次简单的封装，使其在调用的时候，可以很方便的实现某些功能 为了简洁代码，还有为了拓展原生组件没有的属性，就不得不进行一次简单的封装，使其在调用的时候，可以很方便的实现某些功能
- PE文件就是我们常说的EXE可执行文件，针对文件特征的识别可以清晰的知道该程序是使用何种编程语言实现的，前提是要有特征库，PE特征识别有多种形式，第一种是静态识别，此方法就是只针对磁盘中文件的特征码字段进行检测来判断编译器版本，此种方式优点是快，缺点是识别不准确，第二种则是动态识别，当程序被装入内存解码后在尝试对其进行识别，此方法最为准确，我们经常使用的PEID查壳工具是基于静态检测的方法。... PE文件就是我们常说的EXE可执行文件，针对文件特征的识别可以清晰的知道该程序是使用何种编程语言实现的，前提是要有特征库，PE特征识别有多种形式，第一种是静态识别，此方法就是只针对磁盘中文件的特征码字段进行检测来判断编译器版本，此种方式优点是快，缺点是识别不准确，第二种则是动态识别，当程序被装入内存解码后在尝试对其进行识别，此方法最为准确，我们经常使用的PEID查壳工具是基于静态检测的方法。...
- 文章目录前言一、背景1.1、背景颜色(background-color)1.2、背景图片(background-image)1.2.1、基本认识1.2.2、重复模式(background-repeat)四种模式演示水平垂直平铺案例1.2.3、背景尺寸(background-size)1.2.4、背景裁切(background-clip)1.2.5、background-attachment属性1. 文章目录前言一、背景1.1、背景颜色(background-color)1.2、背景图片(background-image)1.2.1、基本认识1.2.2、重复模式(background-repeat)四种模式演示水平垂直平铺案例1.2.3、背景尺寸(background-size)1.2.4、背景裁切(background-clip)1.2.5、background-attachment属性1.
- 我想在GEE中做一个二进制变化检测，有以下代码，但没有显示任何结果。 你能告诉我我做错了什么吗？另外，如果我知道我想用来做减法的图像的具体日期--有什么方法可以做到吗？或者我必须使用我的方式来过滤日期？原有的代码：var polygon = ee.Geometry.Polygon({coords: [[[-88.6006, 30.3604], [-88.5340, 30.3447], [-8... 我想在GEE中做一个二进制变化检测，有以下代码，但没有显示任何结果。 你能告诉我我做错了什么吗？另外，如果我知道我想用来做减法的图像的具体日期--有什么方法可以做到吗？或者我必须使用我的方式来过滤日期？原有的代码：var polygon = ee.Geometry.Polygon({coords: [[[-88.6006, 30.3604], [-88.5340, 30.3447], [-8...
- 这里我们利用ndvi进行荒漠化处理，我们这里将ndvi小于0.1的地方进行掩膜掉，将剩余部分作为作为荒漠化的区域。这里选择时间的筛选我们将4月到10月的的时间作为研究时间。这里我们有几个函数需要需要先了解一下，首先是我们了解画polygon的函数，另外就是image的掩膜，另外一个就是像素统计函数pie.Geometry.Polygon(coords,proj)多边形构造Geometry。... 这里我们利用ndvi进行荒漠化处理，我们这里将ndvi小于0.1的地方进行掩膜掉，将剩余部分作为作为荒漠化的区域。这里选择时间的筛选我们将4月到10月的的时间作为研究时间。这里我们有几个函数需要需要先了解一下，首先是我们了解画polygon的函数，另外就是image的掩膜，另外一个就是像素统计函数pie.Geometry.Polygon(coords,proj)多边形构造Geometry。...
- 本次教程首先市选定我们合适的长时间序列影像，我们首先划定研究区，然后设定指定区域的NDVI计算这里用到的市mean合成的计算，设定我们的去云和可视化参数设定，我们定义一个佛如循环用来进行分别进行遍历，最后设定chart影像的格式，加载影像。我们这里需要用到一个函数：split(regex)按正则表达式拆分字符串，返回字符串列表。方法参数：- string(String)要拆分的字符串。- ... 本次教程首先市选定我们合适的长时间序列影像，我们首先划定研究区，然后设定指定区域的NDVI计算这里用到的市mean合成的计算，设定我们的去云和可视化参数设定，我们定义一个佛如循环用来进行分别进行遍历，最后设定chart影像的格式，加载影像。我们这里需要用到一个函数：split(regex)按正则表达式拆分字符串，返回字符串列表。方法参数：- string(String)要拆分的字符串。- ...
- 测试总结 测试总结
上滑加载中
推荐直播
-
0基础玩转OpenTiny跨框架组件库，实现一站式前端进阶2023/10/11 周三 16:30-18:00
莫春辉 华为云前端开发DTSE技术布道师
你还在为构建web页面却不知道选哪个组件库而苦恼吗？ 你还在为从Vue2项目升级到Vue3的工作量大而惆怅吗？ 你还在为不同框架的组件库由于API不同，需要重复开发而薅头发吗？ 本期直播将聚焦于OpenTiny跨端、跨框架、跨版本的TinyVue组件库，其中包含了无渲染Renderless设计理念的实现方式，以及分析业务逻辑的思路及方法。让开发者能够通过一套代码在不同版本、不同框架、不同终端中使用，从而提升开发效率，保证用户在不同场景下的极致交互体验。
去报名
热门标签