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

瑕疵检测代码-matlab 基于ELM的裂缝检测 基于MATLAB的裂纹检测的MATLAB实现。 先决条件 在4GB GTX960M上训练15-16小时后获得了结果。 该代码已通过Matlab2016b进行了测试。 Crack.m：将原始图片确定为小块。 spare_elm_autoencoder.m：用于ELM的备用自动编码器。 数据集 方法 通过滑动窗和随机旋转将收集的混凝土裂缝图像进行分割和扩展 稀疏的自动编码特征提取网络可以快速学习裂缝的特征。 接下来，使用在线顺序极限学习机来识别裂纹缺陷的特征 结果

Python中的实用自主项目 车道检测 交通标志识别 I.加载带有标签的完整数据集 二。 将图像大小转换为32x32 三， 建立卷积神经网络 IV。 训练模型 五，使用网站上的图片进行测试 样本图片 图片尺寸为32x32（RGB） 图片尺寸为32x32（HSV） 样品输出 标签 ＃ 标签名 softmax概率 14 停 0.998944 33 向右转 0.000532 29 自行车穿越 0.000311 34 向左转 0.000118 36 直走或右走 0.000095

译文 TLD：Forward-Backward Error Automatic Detection of Tracking Failures 翻译 水平有限，仅供误导。（交流贴，欢迎站内信指正。）

瑕疵检测代码-matlab 缺陷检测 Matlab代码用于基于Extreme Edge的缺陷检测，如以下文章所示：Zouhir Wakaf，Hamid A.Jalab（2016）。 基于缺陷区域直方图极端边缘的缺陷检测。 沙特国王大学学报-计算机与信息科学。 DOI：10.1016 / j.jksuci.2016.11.001

matlab代码仿真 Reduced-Complexity-Message-Passing-Detection [] 说明 关于MIMO MPD 算法的Matlab仿真代码 以及改进的算法 代码。

Java碰撞检测和物理引擎 100％Java 2D碰撞检测和物理引擎。 设计快速，稳定，可扩展且易于使用。 dyn4j可免费用于商业和非商业应用。 该项目由主要项目和此处管理的测试以及另外两个项目组成： 集合，以帮助入门 一个非平凡的桌面应用程序，允许用户构建场景，运行，保存和加载场景-所有这些都是以dyn4j作为模拟引擎构建的。 要求 Java 1.6以上 入门 dyn4j具有许多功能和可扩展性，但是入门很容易。 如果您想快速入门，请观看以下视频。 步骤1：将dyn4j添加到您的项目 通过从或GitHub软件包中添加Maven依赖项，将dyn4j添加到您的类路径中 < dependency> < groupId>org.dyn4j < artifactId>dyn4j < version>4.1.4

FaceLogin：使用OpenCV和Qt实现人脸（刷脸）登录

Google语言检测工具（language-detection），版本号：03-03-2014. 该版本优化了短文本（10-20 char）的识别，支持47种语言。