本文研究了基于增量算子方法为不确定TS模糊模型设计鲁棒故障检测的问题。 借助于TS模糊德尔塔算子系统，通过德尔塔算子方法构建了一个模糊故障检测滤波器系统。 最坏情况下的故障敏感度是根据线性矩阵不等式制定的。 提出的故障检测滤波器不仅确保从故障信号到残留信号的H（-）增益大于规定值，而且还确保从外源输入到残留信号的H（-）增益小于规定值。关于线性矩阵不等式的可解性的规定值。 线性矩阵不等式可以通过有效的算法求解。 提供了一个数值示例来说明所提出的设计技术的有效性。

针对口罩检测，进行调研，包括了分类器的设计，人脸检测的设计。 其中主要分为两阶段，先是人脸检测，然后将检测到的人脸，进行二分类，标签为戴口罩，不戴口罩。包括了pytorch的代码，ppt的讲解，技术文档。 人脸识别是MTCNN，然后分类可以自己训练，我采用的是ResNet-18.

以前的分散式认知媒体访问控制（DC-MAC）协议允许次要用户（SU）独立搜索频谱访问机会，而无需中央协调员。 DC-MAC假定检测方案在物理（PHY）层是理想的。 实际上，在分布式频谱共享方案中，更复杂的检测算法是不切实际的。 由于PHY层的能量检测（ED）计算和实现复杂度较低，因此已成为最常用的方法。 因此，至关重要的是在PHY层将DC-MAC与ED集成在一起。 但是，ED需要最低采样时间（MST）持续时间才能在低信噪比（SNR）环境中实现目标检测概率。 否则，将无法达到预期的检测性能。 在本文中，我们推导了在低SNR环境中ED的MST的准确表达。 然后，我们提出了一种基于MST的优化DC-MAC（ODC-MAC）协议，该协议对上述带有ED的DC-MAC问题进行了修正。 此外，对于DC-MAC和ODC-MAC都导出了不可靠的数据传输概率的闭式表达式。 我们表明，仿真结果与理论分析吻合良好。 与传统的DC-MAC相比，所提出的ODC-MAC可以提高数据传输的可靠性并提高吞吐量。

DS-UWB通信系统中使用可变长度训练序列的有限反馈自适应检测

提出了一种利用多个图像特征的曝光过度区域检测学习算法。该算法利用像素的亮度和颜色特征以及光的新特征-色度和边界邻域来构造特征向量。 采用L2正则化的一次逻辑回归方法获得最优分类器mod-e1。 实验结果表明，与直接强度阈值法和其他基于亮度和色彩特征的方法相比，该算法在区域连通性方面能更好地检测出过度曝光区域。

google EfficientDet 算法中文版paper.将高效网络骨架与我们提出的BiFPN 和复合尺度相结合，我们开发了一种新的对象检测器家族，称为高效Det，它始终以比以前的对象检测器更少的参数和FLOP 来获得更好的精度。图和图形显示COCO 数据集上的性能比较。在类似的精度约束下，我们的有效DET使用的FLOP 比YOLOv3 少28 倍，FLOP 比RetinaNet 少30倍，FLOP 比最近基于ResNet 的NAS-FPN 少19 倍。特别是，在单模型和单测试时间尺度下，我们的高效Det-D7 实现了最先进的53.7AP 和52M 参数和325B FLOP，在1.5AP的情况下优于以前最好的检测器，而在4 倍小和使用13 倍少的FLOP。我们的高效DET 在GPU/CPU 上也比以前的检测器快4 倍至11 倍。

This paper reports a detection method of two-dimensional (2D) enhancement and three-dimensional (3D) reconstruction for subtle traces with reflectance transformation imaging, which can effectively locate the trace area of interest and extract the normal data of this area directly. In millimeter- and micron-scale traces, during 3D construction, we presented a method of data screening, conversion, and amplification, which can successfully suppress noise, improve surface and edge quality, and enhan

本标准包括用于防盗保护信号系统的入侵检测单元，该入侵检测单元将在室外或普通室内（非危险）场所使用，以通过触发电气控制电路自动指示入侵者的存在。 本标准涵盖的入侵探测器由一个或多个电气组件的单元组件组成，这些组件设计用于检测入侵者的存在，运动，声音或其他活动。 规定通过规定的接线方法连接电源，遥控器和信号电路

TensorFlow实施RFCN 论文可在。 建造 ROI池和MS COCO加载程序需要首先进行编译。 为此，请在项目的根目录中运行make。 如果需要特殊的链接器/编译器选项，则可能需要编辑BoxEngine / ROIPooling / Makefile 。 注意：如果您的系统上有多个python版本，并且要使用与“ python”不同的版本，请在调用make之前提供一个名为PYTHON的环境变量。 例如：PYTHON = python3 make 尝试加载.so文件时，可能会遇到未定义的符号问题。 如果您自己构建TensorFlow版本，而Makefile无法自动检测到您的ABI版