首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   49篇
  免费   4篇
  国内免费   2篇
综合类   4篇
化学工业   2篇
建筑科学   2篇
矿业工程   1篇
轻工业   27篇
无线电   5篇
自动化技术   14篇
  2019年   1篇
  2015年   2篇
  2014年   4篇
  2013年   4篇
  2012年   5篇
  2011年   6篇
  2010年   3篇
  2009年   6篇
  2008年   11篇
  2007年   2篇
  2006年   2篇
  2005年   4篇
  2003年   1篇
  2000年   3篇
  1990年   1篇
排序方式: 共有55条查询结果,搜索用时 15 毫秒
11.
侯师傅说,制作这道雪菜黄鱼面的关键是如何吊黄鱼汤,“鲜而不腥”是王道。当然,吃面的人还要有足够的耐心,因为它也确实耗时又费工序。 侯庆新大师的北京谢幕之作 候新庆出于素有淮扬美食之乡的扬州,自幼在淮扬佳肴菜清味美的环境中耳熏目染,深谙其精华,也曾就读于中国第一所开设中式烹饪技术课程的高等学府——扬州大学。  相似文献   
12.
徐红 《新疆纺织》2006,(4):46-46
新疆各少数民族均是一个能歌善舞,爱美、崇尚美,对美有着独到见解的民族。她们自出生起就在大自然所创造的美的环境、家人所营造的美的氛围中成长,因此,新疆少数民族女孩儿从小就懂得装饰打扮自己,使那生就美丽的面庞愈发的美丽动人,尤其是妇女更是如此。  相似文献   
13.
基于半监督学习的眉毛图像分割方法   总被引:1,自引:1,他引:1       下载免费PDF全文
眉毛图像的分割,由于受到毛发、姿势及个体差异的影响,是一个非常困难的问题。提出了一种利用半监督学习技术进行彩色眉毛图像分割的方法,首先通过手工在眉毛图像上简单画上几条线标注部分眉毛点和非眉毛点,然后利用半监督学习技术完成眉毛图像分割并从中提取纯眉毛图像,最后通过实验说明该方法具有非常好的分割效果,可用于眉毛识别的前期预处理。  相似文献   
14.
挑战明星模式开放后,大多数玩家被这帮家伙折磨的死去活来,笔者一开始抱了一定拿下的决心进入单人挑战模式,结果在明星的面前碰了一头的疙瘩后放弃了.新版本中开放了组队挑战明星模式,笔者的一条眉毛又挑起来,直接电话夺命连环CALL几个死党,先是让他们大吃了一顿,然后找个网咖直接坐下.  相似文献   
15.
有时候,你是否会嫌自己化妆包太沉、东西太多?其实,只要你学会巧借彩妆的力量,完全可以达到一物多用的效果,为化妆包“减负”。今天就告诉你1个小小的眼影盒的9大神奇用法。No.1超精细顺滑眼线如果你可以轻松驾驭眼线膏,那么用一只小号眼线刷沾上眼影粉来补足眼线就轻而易举。在操作的过程中你可以用小刷子补足睫毛根部的眼线,如果想要粗眼线可以选择大一号的刷子,尽情发挥你的想象。  相似文献   
16.
赵娟 《饮食科学》2000,(11):6-6
1、模特原型分析,眉毛稀少,眼圈发巩县。两只眼睛的双眼皮大小不大一样。  相似文献   
17.
近几年时尚杂志上不乏铺天盖地的介绍如何“锤炼”撩人的眼眸,保养出水嫩的肌肤,这些无外乎是让女性瞬息变得貌美如玉,然而往往忽略了我们五官中的“眉毛”,它的重要性自古以来都与玉女的形象密不可分。娇媚的眉毛是美女们仅次于秋水般眼睛的心灵窗口,柳眉星眼,曲眉丰颊,鲜眉亮眼,不仅将勾勒出立体清晰的轮廓,还一下提升了整个人的精神气,小小的画眉动作就可产生极大的效果哦!  相似文献   
18.
默认情况下,同一文档的页眉页脚都是相同的,修改一处全文都会变动。但有时必须根据不同内容添加不同的页眉页脚。比如一份产品说明书,准备将前30页的页眉设为“×××用说明”,而后面分别设为“获奖证书展示”、“同类产品推荐”等。常规做法就会把文档拆分成多个,然后分别添加页眉,操作起来费时费力。其实Word本身就提供了更简单的方法。[编者按]  相似文献   
19.
针对现有面部表情机器人拟人化程度偏低、结构自由度少等现状,设计了一种多自由度、高拟人化的面部表情机器人的眉毛结构。为满足人脸表情中眉部动作的复杂性,采用4个自由度的眉毛结构,用于提高其灵活性,具有结构紧凑的特点;设计的结构采用并联结构,可有效减少驱动器数量,满足面部表情机器人尺寸小、精度高的要求。在ADAMS中进行结构优化,并在Pro/e中完成建模,再导入到ADAMS中进行运动仿真,验证了结构设计的有效性。  相似文献   
20.
基于AdaBoost的眉毛检测与定位   总被引:1,自引:0,他引:1  
文章利用Haar-Like小波及其扩展特征,把AdaBoost算法应用于眉毛的自动检测与定位。实验数据包括114人的228幅眉毛图像,每人闭眼和睁眼各一幅,分别用于训练和测试,大小均为768×586。通过把这些图像缩小1/10后进行AdaBoost训练,解决了其速度较慢和对内存需求较高的问题。实验结果表明,AdaBoost级联分类器的训练耗时约2.7s,测试耗时每幅图像约24ms,对眉毛检测和定位测试的精度达到了97.4%。  相似文献   
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号