XiaoMi-AI文件搜索系统
World File Search SystemSTEREO
100 W 立体声数字放大器功率级 - Octopart
23 • 总功率输出（桥接负载） – 2 × 100 W，THD+N 为 10% 至 4 Ω TAS5342LA 是一款高性能集成立体声数字放大器功率级，设计用于驱动一个 4 Ω 桥接负载 (BTL)，每个通道高达 100 W，具有低谐波失真、低集成噪声和低空闲电流。 – 2 × 80 W，THD+N 为 10% 至 6 Ω – 2 × 65 W，THD+N 为 10% 至 8 Ω– 4 × 40 W，10% THD+N，输入 3 Ω TAS5342LA 具有完整的片上集成保护系统，可保护器件免受可能损坏系统的各种故障情况的影响。这些保护功能包括短路保护、过流保护、欠压保护、过热保护和 PWM 信号丢失（PWM 活动检测器）。• >110 dB SNR（采用 TAS5518 调制器进行 A 加权） 上电复位 (POR) 电路用于消除大多数功率级设计所需的电源排序 • <0.1% THD+N（1 W，1 kHz）。• 支持 192 kHz 至 BTL 输出功率 432 kHz 的 PWM 帧速率，与 • 电阻可编程电流限制电源电压 • 集成自保护电路，包括： – 欠压保护 – 过热警告和错误 – 过载保护 – 短路保护 – PWM 活动检测器 • 独立保护恢复 • 上电复位 (POR) 以消除系统电源排序 • 高效功率级 (>90%)，带有 110m Ω 输出 MOSFET • 热增强型封装 44 引脚 HTSSOP (DDV) • 错误报告，符合 3.3 V 和 5.0 V • 与推荐系统设计一起使用时符合 EMI 要求
结合 SIFT 和 SGM 算法进行立体图像密集匹配
关键词：立体匹配，半全局匹配，SIFT，密集匹配，视差估计，普查 摘要：半全局匹配（SGM）通过平等对待不同路径方向进行动态规划。它没有考虑不同路径方向对成本聚合的影响，并且随着视差搜索范围的扩大，算法的准确性和效率急剧下降。本文提出了一种融合SIFT和SGM的密集匹配算法。该算法以SIFT匹配的成功匹配对为控制点，在动态规划中指导路径，并截断误差传播。此外，利用检测到的特征点的梯度方向来修改不同方向上的路径权重，可以提高匹配精度。基于 Middlebury 立体数据集和 CE-3 月球数据集的实验结果表明，所提算法能有效切断误差传播，缩小视差搜索范围，提高匹配精度。
UDA1344TS 具有 DSP 功能的低压低功耗立体声音频编解码器
FSDAC是一种半数字的重建过滤器，将噪声塑形器的1位数据流转换为模拟输出电压。由于DAC的固有滤波器功能，不需要TER
ESMT - 2x15W 立体声 D 类音频放大器，带功率限制
AD52058 是一款具有可调功率限制功能的高效立体声 D 类音频放大器。扬声器驱动器的工作电源电压为 4.5V~14.4V。它可以在 12V 电源电压下向 4 扬声器提供 15W/CH 输出功率，且 THD+N 小于 10%，播放音乐时无需外部散热器。
12v 2x10w hi-fi PAM8610音频立体放大器板...
使用官方标准电路设计的功率放大器板，芯片选择是使用美国进口的原始龙三脚架D类放大器芯片。好的产品筹码和可分享的大量音乐爱好者，这是我们一致的理念！在输出10W +10 W电源的情况下，放大器具有高效率，大功率，12V电源，没有散热器的芯片，但也有过热，过电流和其他保护功能，可以说该功能非常强大。
UDA1344TS 具有 DSP 功能的低压低功耗立体声音频编解码器
FSDAC 是一种半数字重建滤波器，可将噪声整形器的 1 位数据流转换为模拟输出电压。滤波器系数作为电流源实现，并在输出运算放大器的虚拟接地处相加。这样，可实现非常高的信噪比性能和低时钟抖动灵敏度。由于 DAC 固有的滤波功能，因此不需要后置滤波器。板载放大器将 FSDAC 输出电流转换为能够驱动线路输出的输出电压信号。
用于深度立体匹配的自适应单峰成本体积滤波
最先进的基于深度学习的立体匹配方法将视差估计视为一个回归问题，其中损失函数直接定义在真实视差及其估计视差上。然而，视差只是由成本量建模的匹配过程的副产品，而间接学习由视差回归驱动的成本量容易出现过度拟合，因为成本量受到约束。在本文中，我们提出直接向成本量添加约束，方法是用在真实视差处达到峰值的单峰分布过滤成本量。此外，估计每个像素的单峰分布的方差，以明确模拟不同环境下的匹配不确定性。所提出的架构在 Scene Flow 和两个 KITTI 立体基准上实现了最先进的性能。具体来说，我们的方法在 KITTI 2012 评估中排名第一，在 KITTI 2015 评估中排名第四（记录于 2019.8.20）。AcfNet 的代码可以在以下位置找到：https://github.com/youmi-zym/AcfNet。
一种从空间立体影像中描绘建筑物足迹的混合方法
从遥感图像中自动提取建筑物轮廓线已用于更新城市地区的地理空间数据库 [1]。高分辨率星载立体 (HRSS) 传感器（例如 GeoEye、WorldView、QuickBird）的发射开启了一个新时代，提供了从太空获取立体图像和 3D 地图的可能性 [2]。事实上，建筑物识别、重建和变化检测已经使用立体图像匹配以及 3D 边缘匹配技术进行 [3,5-6]。如 [3] 所述，基于立体图像的 3D 边缘匹配提供了有希望的结果，但前提是建筑物在数据的空间分辨率方面足够大、具有简单的矩形形状并且与周围物体相比具有良好的辐射对比度。事实上，虽然使用非常高分辨率的航空图像进行 3D 边缘匹配可以详细重建建筑物轮廓线 [7]，但使用星载图像，同样的方法可能会遇到问题，特别是在两幅对极图像中都无法清晰检测到建筑物轮廓的情况下。此外，虽然影像匹配提供了代表建筑物高度的DSM，但是从该DSM提取的建筑物大小和形状通常被高估，因此需要辅助信息。
swinfsr：使用swinir和频域知识的立体图像超分辨率
立体图像超分辨率（Sterereosr）近年来引起了人们的关注，这是由于手机，自动驾驶汽车和机器人的双重摄像头广泛范围。在这项工作中，我们根据Swinir的扩展（最初是为单个图像还原设计的，又提出了一种名为SWINFSR的新定单方法，以及Fast Fourier卷积（FFC）获得的频域知识。具体来说，为了有效地收集全球信息，我们通过使用FFC明确地不明显地局限于SWINIR中的残留SWIN变压器块（RSTBS），并使用结果域知识，并采用结果的残留Swin傅立叶型跨前块（RSFTB）进行特征提取。此外，为了有效，准确的立体视图融合，我们提供了一个新的跨意见模块，称为RCAM，该模块的竞争性能高于竞争性能，同时比最先进的交叉意见模块更少的计算成本。广泛的实验结果和消融研究证明了我们提出的SWINFSR的有效性和效率。
一种从空间立体影像中描绘建筑物足迹的混合方法
从遥感图像中自动提取建筑物轮廓线已用于更新城市地区的地理空间数据库 [1]。高分辨率星载立体 (HRSS) 传感器（例如 GeoEye、WorldView、QuickBird）的发射开启了一个新时代，提供了从太空获取立体图像和 3D 地图的可能性 [2]。事实上，建筑物识别、重建和变化检测已经使用立体图像匹配以及 3D 边缘匹配技术进行 [3,5-6]。如 [3] 所述，基于立体图像的 3D 边缘匹配提供了有希望的结果，但前提是建筑物在数据的空间分辨率方面足够大、具有简单的矩形形状并且与周围物体相比具有良好的辐射对比度。事实上，虽然使用非常高分辨率的航空图像进行 3D 边缘匹配可以详细重建建筑物轮廓线 [7]，但使用星载图像，同样的方法可能会遇到问题，特别是在两幅对极图像中都无法清晰检测到建筑物轮廓的情况下。此外，虽然影像匹配提供了代表建筑物高度的DSM，但是从该DSM提取的建筑物大小和形状通常被高估，因此需要辅助信息。