针对三维无线传感器网络最坏情况覆盖问题,提出一种基于概率和网络最坏情况覆盖的三维传感器网络节点K覆盖方法,该方法先对三维待监测区域以网格划分,然后将前K(K为覆盖度)个传感器节点放置在网格点后,分别求取这K个节点的最大突破路径,在路径的公共点上依次放置传感器节点,直到每个网格点以预设的概率达到K覆盖为止.该方法能够减少网络资源.仿真表明,该方法与原基于概率的K覆盖方法比较,能用较少的节点满足相同的覆盖度.

本研究尝试通过使用最新的多核多CPU系统在陡峭的三维隔离山上进行大涡模拟（LES）。 结果，发现1）使用大约5000万个网格点进行湍流模拟是可行的； 2）使用该系统导致了很高的计算速度，超过了单个CPU所达到的并行计算速度在最新的超级计算机之一上。 此外，LES是通过使用多GPU系统进行的。 这些仿真的结果揭示了以下发现：1）使用NVDIA:registered:Tesla M2090或M2075的多GPU环境可以在多达约5000万个网格点的模型中模拟湍流。 2）多GPU环境实现的计算速度超过了并行计算的速度，并行计算使用的是最新超级计算机之一的4至6个CPU。

有源码。纯c语言实现三维正方形跟随鼠标旋转（使用opengl库）

PSG 3D 三维测绘系统新技术应用（三维测图技术） 一、三维测图是革命性新技术 1、大幅度减少外业工作，提高成图效率。 （1）与地面测图比较，无需仪器野外采集细部点，省去80%以上的外业采集和调绘工作。 （2）与立体测图比较，无需屋檐改正，省去80%以上的外业调绘工作，省去补测高程点。 （3）如果模型足够清晰，地物遮挡不严重，基本无调绘补测。 2、裸眼测图，所见即所得，提高成图质量。 3、室内作业为主，降低劳动强度和生产成本，无惧刮风下雨，缩短成图周期。 4、可预见2-5年内基本取代现有测图方式。 二、三维模型的快速获取 1、1:500 – 1:2000地形测量航拍及高精度的不动产测图航拍，10平方公里以下。 建议采用旋翼无人机倾斜摄影，照片地面分辨率1.5厘米。 采用合适的相机，适当加大像控点密度，可以满足5厘米的界址点精度要求。 航拍效率：<2平方公里/天。 2、 三维建模是“瓶颈” 三维建模需要投入高性能计算机集群运算，建模效率

深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--

【无人机三维路径规划】基于自适应遗传算法求解单无人机三维路径规划问题附matlab代码

三种数据，画出三维图。 表格第一列可能是合并表格，压缩包里有这种数据。

基于solidworks创建的虎钳三维模型，含装配体、零件体、装配体工程图

深度学习三维重建 MVSNet——ECCV-2018 （源码、pytorch版、原文、译文、批注） 深度学习三维重建 MVSNet——ECCV-2018 （源码、pytorch版、原文、译文、批注） 深度学习三维重建 MVSNet——ECCV-2018 （源码、pytorch版、原文、译文、批注） 深度学习三维重建 MVSNet——ECCV-2018 （源码、pytorch版、原文、译文、批注） 深度学习三维重建 MVSNet——ECCV-2018 （源码、pytorch版、原文、译文、批注） 深度学习三维重建 MVSNet——ECCV-2018 （源码、pytorch版、原文、译文、批注） 深度学习三维重建 MVSNet——ECCV-2018 （源码、pytorch版、原文、译文、批注） 深度学习三维重建 MVSNet——ECCV-2018 （源码、pytorch版、原文、译文、批注） 深度学习三维重建 MVSNet——ECCV-2018 （源码、pytorch版、原文、译文、批注） 深度学习三维重建 MVSNet——ECCV-2018 （源码、pytorch版、原文、译文、批注）

相移+格雷码，多频外差，代码（matlab c++） 单目结构光三维扫描 双目结构光三维扫描 相机标定，投影仪标定，系统标定 基本matlab版本相位编码与解码 基于c++版本相位编码与解码 这段代码主要是实现了相移+格雷码编码与解码以及三频四相编码与解码的功能。 ----一下内容来源于AI对源码的解读，仅供参考 首先，代码中包含了两个类：GrayCoding和MultiFrequency。GrayCoding类用于相移+格雷码编码与解码，MultiFrequency类用于三频四相编码与解码。 在GrayCoding类中，GenerateFringe函数用于生成相移+格雷码的条纹图像。代码中定义了一些变量，如条纹宽度P、相移步数N、图像分辨率Rows和Cols等。然后，通过嵌套循环生成四步相移的条纹图像，并保存为G1.bmp、G2.bmp、G3.bmp和G4.bmp。接着，生成格雷码的条纹图像，并保存为G5.bmp、G6.bmp、G7.bmp、G8.bmp、G9.bmp和G10.bmp。 SolvePhase函数用于解码相移+格雷码的条纹图像。首先，定义了一些变量，如phi、ph