matlab肌电信号处理代码 睡眠分期和RBD检测 纸上使用的代码：通过自动多导睡眠图分析检测REM睡眠行为障碍（） 使用此代码时，请引用[1]： Navin Cooray，Fernando Andreotti，Christine Lo，Mkael Symmonds，Michele TM Hu和Maarten De Vos（评论中）。 通过自动多导睡眠图分析检测REM睡眠行为障碍。 临床神经生理学。 该存储库包含用于在30秒内从单个EEG，EOG和EMG信号中提取156个特征的工具。 提供了一个随机森林分类器来实现自动睡眠分期，该分类器使用了53个与年龄匹配的健康对照和RBD参与者（但只有50棵树，而使用了500棵树）进行了训练。 还可以使用此存储库训练分类器。 分类器应输出以下睡眠阶段之一： 班级 描述 0 唤醒 1个 N1 2个 氮2 3 N3 5 快速眼动 提供了附加的特征提取工具来分析单个EMG通道以进行RBD检测。 特征是针对每个主题派生的，包括已建立的RBD指标以及其他指标。 这些功能可以使用手动注释或自动分类的睡眠阶段来推导。 提供了一个额外的随机森林分类器，以使用RBD

AndroPy工具 更新！ DroidBox图像是固定的。 动态分析现在正在工作。 这是一个用于从Android APK中提取静态和动态功能的工具。 它结合了各种著名的Android应用程序分析工具，例如DroidBox，FlowDroid，Strace，AndroGuard或VirusTotal分析。 提供了包含APK文件的源目录，AndroPyTool应用了所有这些工具来执行静态，静态和动态分析，并生成JSON和CSV格式的功能文件，还允许将所有数据保存在MongoDB数据库中。 要获取更多信息，您可以阅读以下两篇文章： 马丁·A，拉拉·卡布雷拉·R和卡马乔·D（2018）。 信息融合。 DOI：10.1016 / j.inffus.2018.12.006 马丁·A，拉拉·卡布雷拉·R和卡马乔·D（2018）。 数据科学和知识工程中的传感决策支持（第509-516页）。 世

关于MATLAB能量检测频谱感知算法的研究代码

Time-of-Flight ranging and gesture detection sensor

深度学习对象检测技术有时用于图像中的人物检测。 人员检测在自动驾驶系统中非常普遍。 此外，它还用于工厂和工作场所。 他们检查工人的行为或工人是否在危险区域佩戴必要的设备。 他的文件是一个示例代码，它使用标记的视频数据训练对象检测模型 (Yolo v2)，以检测是否戴头盔的人。 [键控] 图像处理·计算机视觉·深度学习·机器学习·CNN·Yolo v2·物体检测

基于红外图像的地面自主车导航的道路边界检测

具有共同注意和共同激励的一站式目标检测 介绍 谢婷一，罗以晨，陈焕宗，刘廷- 神经信息处理系统（NeurIPS），2019年， 该项目是One-Shot Object Detection的纯pytorch实现。 大多数代码是从。 我们正在做和将要做的 支持tensorboardX 上载ImageNet预训练模型。 提供参考图片。 提供检查点模型。 训练PASCAL_VOC数据集 准备 首先，克隆代码 git clone https://github.com/timy90022/One-Shot-Object-Detection.git 1.先决条件 Ubuntu 16.04 Python或3.6 火炬1.0 2.数据准备 可可：也请按照中的说明准备数据。 请参阅此存储库中提供的脚本。 3.预训练模型 我们在实验中使用ResNet50作为预训练模型。 通过排除所有与COCO

凝视追踪器 该项目是基于凝视光圈在虹膜上的位置的凝视跟踪系统的一项实验，虹膜是相机附近的光源的反射（有关详细信息，请参见和“”）。 通过跟踪闪烁，可以估计屏幕上的凝视位置并将该位置用作输入系统（在本示例中，该位置仅用于移动鼠标箭头）。 硬件要求 对于这种系统，需要眼睛的高分辨率图像，并且也需要相机附近的光源，因此，为了获得简单的硬件，我将智能手机用作固定在摄像机上的远程相机（由应用程序实现）。要获得稳定的支撑，请打开闪光灯LED并将其放在一只眼睛的前面，靠近它。 演示版 校准阶段 鼠标控制阶段 入门 克隆存储库 git clone https://github.com/luca-ant/gaze_tracker.git 安装依赖项 sudo apt install python3-setuptools python3-pip python3-venv 或者 sudo pacman

面罩检测 该模型是轻量级的面罩检测模型。 基于ssd的骨干网是Mobilenet和RFB。 主要特点 Tensorflow 2.1 训练与推论 使用mAP的精度 使用tf.GradientTape急切模式训练 使用tf.keras网络功能 使用tf.data.TFRecordDataset数据集 ├── assets │ ├── 1_Handshaking_Handshaking_1_71.jpg │ ├── out_1_Handshaking_Handshaking_1_71.jpg │ ├── out_test_00002330.jpg │ └── test_00002330.jpg ├── checkpoints │ └── weights_epoch_100.h5 ├── components │ ├── config.py │ ├── __

长期跟踪的可靠重新检测 长期跟踪中的可靠重检测中提出的重检测框架代码 重新检测跟踪器基于装订，而深度重新检测跟踪器将HCF作为基准。 对于重新检测跟踪器，只需启动Matlab并运行runTracker.m即可。 要运行后者的深度重新检测跟踪器，请下载VGG-19并按照自述文件中的说明编译Matconvnet。 该代码包括一个用于长期跟踪的通用框架。 您可以轻松地合并自己的基于DCF的跟踪器。 关于速度和性能： 由于我们的框架重新利用了基线跟踪器进行重新检测，因此速度与基线方法密切相关。 仅通过手工制作的功能，重新检测跟踪器就可以在单个CPU上达到40 FPS以上。 在不同的机器上，跟踪性能可能会略有不同（小于1％）。 这是由于可能随时间累积的较小数值效应以及由粒子滤波器引起的随机误差。 增加粒子数后，性能将略有改善，并且更加稳定。 接触 如果您有任何疑问，请随时联系 稍后将介绍