1、YOLOv7打电话行为检测训练权重 ，附有各种训练曲线图，可使用tensorboard打开训练日志 2、classes: phone 3、包括数据集，标签格式为VOC和YOLO两种 4、检测结果和数据集参考：https://blog.csdn.net/weixin_51154380/article/details/127048938?spm=1001.2014.3001.5501

基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的

随着大功率射频微波器件的不断推广与发展，传统的小信号S 参数线性理论已经不能满足以微波功率放大器为主的大功率有源器件非线性行为的表征与分析，因此器件非线性行为表征技术就变得尤为重要，而此时Cardiff 模型也就应运而生。本文首先详细给出了Cardiff 模型的完整建立与理论推导过程；然后对以HP_AT41411 为核心射频功率放大器进行了实际测量，并根据实测结果建立Cardiff 行为模型；最后将行为模型仿真得到的结果与实际测量结果作对比，对比结果显示两者吻合较好，这也就验证了Cardiff 模型的正确性及有效性。

针对单一沙箱检测模式较为固定、易被恶意样本逃逸的问题，分析了当前恶意软件沙箱逃逸典型技术，提出了一种恶意样本逃逸行为检测框架。对恶意样本在不同层次的沙箱以及真实环境中生成的文件操作、网络通信、进程操作、注册表操作等行为进行记录，进行特征筛选以及标准化处理，通过Jaccard相似度算法来比较行为之间的相似度差异，进行层次划分并判定恶意样本逃逸行为。实验结果显示，整体准确率为95.6%，检出率为90.1%，同时误报率低于5%，可以检测多种已知和未知逃逸行为，通过进一步分析可定位到样本具体逃逸行为。

基于深度学习的驾驶员分心驾驶行为（疲劳+危险行为）预警系统.zip该项目为人物专注性检测，分为两个检测部分，疲劳检测和分心行为检测。 疲劳检测部分，使用Dlib进行人脸关键点检测，然后通过计算眼睛和嘴巴的开合程度来判断是存在否闭眼或者打哈欠，并使用Perclos模型计算疲劳程度。 分心行为检测部分，使用Yolov5，检测是否存在玩手机、抽烟、喝水这三种行为。 使用方法 依赖：YoloV5、Dlib、PySide2 直接运行main.py，即可使用本程序。 基于深度学习的驾驶员分心驾驶行为（疲劳+危险行为）预警系统.zip该项目为人物专注性检测，分为两个检测部分，疲劳检测和分心行为检测。 疲劳检测部分，使用Dlib进行人脸关键点检测，然后通过计算眼睛和嘴巴的开合程度来判断是存在否闭眼或者打哈欠，并使用Perclos模型计算疲劳程度。 分心行为检测部分，使用Yolov5，检测是否存在玩手机、抽烟、喝水这三种行为。 使用方法 依赖：YoloV5、Dlib、PySide2 直接运行main.py，即可使用本程序。

数据为网络爬取，香烟部分，可用于抽烟行为识别，任务属性等任务。数据总量3W+（持续增加），包括部分私有数据，可训练baseline用，更多数据邮件联系yuanc000000@gmail.com

通过在网络中心选定的交换设备上配置镜像端口，向已配置好的服务器推送网络流量数据；服务器通过tcpdump工具把采集到的数据保存为cap文件；通过python等语言对流量数据文件进行解析，选取关键信息如用户标识（MAC）、目的地址、URL等，进行数据格式转换，完成敏感数据脱敏，将脱敏后的数据写入数据库；建立单个用户行为分析逻辑，能够对单个用户分析某时段的URL范围行为、周期、频率等进行分析；对大范围用户建立分类模型，对URL也建立分类模型，能够进行用户和URL分类；对用户分类和URL分类进行定性定量，建立数学分析模型；通过TensorFlow等机器学习平台进行模型分析，建立用户网络行为分析模型；在机器学习的基础上进行用户对比和URL对比，验证模型有效性和准确性；根据各分析结果建立WEB呈现界面，以表格和图形方式呈现分析结果；根据前序的研究结果总结方法和模型，进行结果评估和优化讨论，准备进入下一次研究迭代。

为了提高Android平台下实时人体行为识别方法的性能，提出对动作变化和过渡动作进行检测和分割的方法。该方法采用加速度在重力方向上的投影和水平方向上投影的幅值来表征行为活动，通过趋势判断行为变化，结合趋势突变点检测和DTW算法进行过渡动作分割。提取加速度时域特征，使用随机森林对九种行为进行分类识别，平均识别率达到97.26%，其中过渡动作平均识别率达到95.05%。

基于深度学习的司机危险行为驾驶预警监测系统源码+全部数据.zip基于深度学习的司机危险行为驾驶预警监测系统源码+全部数据.zip基于深度学习的司机危险行为驾驶预警监测系统源码+全部数据.zip基于深度学习的司机危险行为驾驶预警监测系统源码+全部数据.zip基于深度学习的司机危险行为驾驶预警监测系统源码+全部数据.zip基于深度学习的司机危险行为驾驶预警监测系统源码+全部数据.zip基于深度学习的司机危险行为驾驶预警监测系统源码+全部数据.zip基于深度学习的司机危险行为驾驶预警监测系统源码+全部数据.zip基于深度学习的司机危险行为驾驶预警监测系统源码+全部数据.zip基于深度学习的司机危险行为驾驶预警监测系统源码+全部数据.zip基于深度学习的司机危险行为驾驶预警监测系统源码+全部数据.zip基于深度学习的司机危险行为驾驶预警监测系统源码+全部数据.zip基于深度学习的司机危险行为驾驶预警监测系统源码+全部数据.zip基于深度学习的司机危险行为驾驶预警监测系统源码+全部数据.zip基于深度学习的司机危险行为驾驶预警监测系统源码+全部数据.zip基于深度学习的司机危险行为驾驶预警监测系

搜索行为评估与用户行为分析 搜索行为评估与用户行为分析 搜索行为评估与用户行为分析