YOLOv4:目标检测的最佳速度和精度，YOLOv4: Optimal Speed and Accuracy of Object Detection全文翻译

3D检测套件 此仓库包含几个有用的脚本，这些脚本可用于3D检测算法开发。 包括： 在激光雷达点云上加载和可视化； 生成bev地图（鸟瞰图）； 在点云上显示3D边界框； 在带有calib参数的图像上投影3D边界框； 在bev影像角度上显示bbox； 更新 2020- ：将会继续。 2019-02-27 ：更新vis_3d，它现在可以使用具有3D边界框的mayavi可视化点云。 用法 直接使用： python3 show_pc.py 您会看到点云。 您还应该先使用以下命令安装open3d ： sudo pip3 install open3d-python 讲解 要获取更多信息，您可以访问我们的社区论坛进行交谈： : 将点云转换为bev地图 获取点云的bev地图。 它应该构造一个具有一定宽度和高度的图像，然后每个像素值应为z，如果在顶视图中没有点，则z应该为0，这样bev图像

加权盒融合 存储库包含Python方法的几种实现，这些方法用于组合对象检测模型中的框： 非最大抑制（NMS） 软网管 非最大加权（NMW） 加权框融合（WBF） -与其他方法相比，可以提供更好的结果的新方法 要求 Python 3。*，Numpy，Numba 安装 pip install ensemble-boxes 用法示例 预计将标准化的框的坐标，例如，范围为[0; 1]。 顺序：x1，y1，x2，y2。 下面的2种型号的盒装示例。 第一个模型预测5个盒子，第二个模型预测4个盒子。 每个盒子模型的置信度得分1：[0.9、0.8、0.2、0.4、0.7] 每个盒子模型2的置信度得分：[0.5、0.8、0.7、0.3] 每个包装盒型号1的标签（类）：[0，1，0，1，1] 每个盒子模型2的标签（类）：[1、1、1、0] 我们将第一个模型的权重设置为2，将第二个模型

信用卡欺诈检测 使用Logstic Regression对信用卡欺诈检测进行分类 步骤以及一些需要注意的点 特征工程 样本不均衡问题的解决（降采样以及过采样两种方式） 下采样策略 交叉验证（充分利用数据，使模型可以说服力） 模型评估方法（分类准确率，精确率，召回率，F1值） 正则化惩罚（防止模型过拟合，日期L2正则化） 逻辑回归阈值对结果的影响（通过重复矩阵​​的可视化以及召回率来体现） 过采样策略（SMOTE算法） 如何运行？ 信用卡数据集为“ creditcard.csv”，地址为： ://myblogs-photos-1256941622.cos.ap-chengdu.myqcloud

3D box经典论文-《Multimodal 3D Object Detection fromSimulated Pretraining》学习记录

欢迎来到 gcviz :dna: 该项目将相关的社区检测算法应用于基因交互网络。 Flask Web 应用程序可让您可视化应用的每个算法的分区结果。 您可以探索和合并社区，以及分析它们的底层基因。 目前支持的算法： 名称 描述 模块化 图书馆 鲁汶 贪婪的模块化最大化 0.69 python-louvain 流体C 流体社区检测 0.63 网络x 克劳塞特-纽曼-摩尔 模块化最大化 0.61 网络x 节点2向量 使用 kmeans 聚类的图节点嵌入。 0.65 节点2向量 Kernigan-Lin 对分法 最小化切割（递归应用） 0.06 网络x 光谱聚类 基于图拉普拉斯矩阵的幽灵 0.66 scikit-学习 格文-纽曼 基于边缘介数 0.04 网络x :whale: 码头工人 通过docker快速开始使用web应用： $ docker build -t gcviz:l

SLOWFAST_8x8_R50_DETECTION.pyth 权重文件

2021异常检测论文ppt

DeepFall：3D时空自动编码器，可从隐私保护摄像机中进行跌落检测 该代码由Jacob Nogas在IATSL（ ）担任UofT PEY实习生时开发，在加拿大大学健康网络KITE-Toronto Rehab科学家Shehroz Khan博士的指导下进行。 （感谢您的理解，我们无法为编程问题提供支持） 。 我们将跌倒检测问题表述为异常检测问题，因为跌倒很少发生，并且可能没有足够的数据来训练监督分类器。 为了解决隐私问题，这项工作着重于检测热像仪和深度相机的跌落。 通过训练深度时空自动编码器来检测跌倒，以最大程度地减少日常生活视频帧活动的重构误差。 假设不可见的跌倒的重建误差应该更高，如以下示例GIF所示： 代码用法： 代码库分为两个主要子集 {model} _main_ {train} {model} _main_ {test} 它将分别使用模型{model}执行培训或测试。

# 文献链接 ----- ## 图像分类(Classification) ## 目标检测(Object Detection) ## 目标分割(Segmentation)