极化合成孔径雷达经典教材 目标分解理论讲解以及应用

darknet深度网络开发，目标识别，yolo网络，源码，python

基于卷积神经网络的SAR图像目标识别研究

使用目标检测的Deep-CNN模型 在这种情况下，使用预训练的卷积神经网络（CNN）MobileNet SSD（单发多盒检测器）模型来检测对象，并通过在对象上方添加一个包含对象名称的框来将对象定位在图像边界内等级和准确性。 mobilenet-ssd模型是旨在执行对象检测的Single-Shot Multibox Detection（SSD）网络。 通过使用SSD，我们只需要单张拍摄即可检测图像中的多个对象。该模型是使用Caffe *框架实现的。 要运行代码，只需运行RUN：python object_detection_image.py或python realtime_object_detection.py

基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮基于深度学习的分拣机器人目标识别与定位_解修亮

黄瓜采摘机器人的研究：基于图像的黄瓜果实目标识别，袁国勇，，温室黄瓜成熟度和空间位置的识别是黄瓜采摘机器人研究的重要环节，要解决此问题首先必须对采集的黄瓜图像进行分割。虽然黄瓜果实

为了提高水果识别的准确性，减少周围环境对识别的影响，设计了一种用于智能水果采摘机器人的识别系统。采用随机森林来学习优化气味传感器的输出，其目的是更好地识别气味；利用摄像机采集到的原始图像计算出对应的本质图像，来对采集到的图像特别是有阴影的图像进行去阴影分析辨识。最后通过结合气味传感器的“气相”结果与摄像机的“色相”结果来评定采摘动作。实验证明该识别系统为后期果实的采摘提供了比较精确的参考。

目标识别与跟踪技术进行了分析，在此基础上结合智能小车目标跟踪系统的开发

mstar_with_machine_learning 先决条件 该存储库使用python 3.6和scikit-learn API给出了带有机器学习的公共MSTAR数据集上的SAR ATR的示例。 建议直接安装Anaconda 3，它提供了numpy，matplotlib和scipy等常见软件包以及scikit-learn。 说明 该示例支持大多数机器学习方法的实现，包括逻辑回归，神经网络，支持向量机等。 为了减少计算量，它使用主成分分析来减少特征。 数据处理和模型声明分别在data.py和model.py中定义。 当然，您可以添加您自己的操作。

基于高分辨距离像的雷达自动目标识别技术研究，南京航空航天大学电子信息工程学院博士论文。 雷达自动目标识别技术在军事和民用上都有着巨大的应用价值。宽带雷达高分辨距离像（HRRP）具有目标结构信息丰富、易于获取的特点，是雷达目标识别重要的发展方向之一。本文以探寻稳健、实用的识别算法为目标，围绕 HRRP 目标识别的关键问题，系统地研究了姿态敏感性、特征提取、噪声背景下的稳健识别和序列识别问题，为 HRRP 目标识别的实用化进行了有益的探索。