关于用SLLE提取特征，训练SVM分类器，对目标分类，对目标分类的一种新方法，流形学习的方法，一种很好用的目标分类的放大法

为硕博士论文。 运动目标物体检测是现今计算机视觉研究的热点问题之一。对该问题虽然研究数量众多,但一些复杂的问题,例如环境光照变化、目标物体半/全遮挡、目标物体刚性/非刚性形变等,仍然极具挑战并且严重阻碍运动目标检测效果的进一步提高。本论文主要提出了一种具有普适性,能适用于不同环境或背景下检测运动目标物体的框架。该框架以增量学习理论为基础,将模式识别理论中的多模态模型(包括经典的分类模型、新颖的聚类模型等)无缝运用在运动目标物体检测问题的求解。具体来说,本论文采用的增量学习思想主要基于视频相邻帧在空间和时间上的高度相关性;在每个测试帧的相邻帧上抽取训练数据进行模型的学习与更新。因此,随着视频的推演,模型学习的结果也在不停自动更新。为了验证本论文提出框架的有效性,超过1000帧的视频数据被用来组成本论文的实验数据库。在此数据库中,本论文通过大量的实验,验证了提出检测框架中所有方法在不同环境或复杂背景下的检测效果,并采用统计学中的方差分析和多重对比实

所有的依赖已经通过environment.yml 配置文件进行配置，下载后直接运行即可

原文作者：Binh-Son Hua、Minh-Khoi Tran、Sai-Kit Yeung。 文章地址：https://arxiv.org/abs/1712.05245 github项目地址：https://github.com/scenenn/pointwise 在本文中，我们提出了一种用于3D点云的语义分割和目标识别的卷积神经网络。 我们网络的核心是逐点卷积，这是一种新的卷积算子，可以作用于点云的每个点。我们的全卷积网络设计实现起来惊人地简单，在语义分割和目标识别任务方面都可以提供具有竞争力的准确性。

yolov5加双目测距的代码，下载后直接运行detect_and_stereo_video_003.py即可开始识别定位。注意是在yolov5的环境运行的。

INTRODUCTION TO RADAR TARGET RECOGNITION，英文版，非扫描版

苹果数据集-适应于yolov3模型，包括处理的代码、苹果原始图片(414张)、预处理后的图片(828张)(数据增强和图片的resize和填充)和.xml文件。图像标注工具为labelimg(预选框的形式标注)。

基于深度学习的SAR图像目标识别算法.pdf

行人人体局部标注文档举例

这是红外光图像小目标识别源代码。下载解压后直接运行。