适用于深度学习，机器学习的目标检测。风能是现代社会最重要的可再生能源之一,风能的主要利用形式是风力发电,风机叶片是捕获风能并将其转化为电能的主要部件,由于大多数的风电机组工作环境复杂恶劣,且长期承受交变负荷作用,使得在役风机叶片容易出现故障,从而降低风机发电效率、造成安全生产隐患,因此对风机叶片表面故障进行检测和识别显得尤为重要。2003年中国风电进入开始快速发展阶段，2018年中国风电容量赶超美国，成为全球第一，然而，我国早期投建的风机已逐步进入中老年。风机叶片在运行过程中，受台风，雷电，冰雪，盐雾等恶劣天气影响，加上长期使用工程中受到的交变载荷的作用，容易出现裂纹，砂眼，分层，脱粘等损伤，所以需要长期的巡检，探测外表缺陷，损害，并进行长期的运营保养。为解决风机运维成本高，检测效率低，缺陷识别难等

为了克服基于小波尺度谱重排的时频分析方法中时、频分辨率不佳及时频分布可读性较差等问题，提出了一种基于参数优化Morlet小波变换和奇异值分解的海杂波背景下舰船目标检测算法。算法利用Shannon小波熵作为目标函数，根据高频地波雷达信号的特点自适应地优化Morlet小波变换的时间带宽积参数，使得后续重排尺度谱的时、频分辨率同时达到最佳；然后再对重排小波尺度谱进行基于奇异值分解的降噪处理，以抑制环境噪声的影响，进一步提高时频分布的可读性。实验结果表明，与传统的时频分析算法相比，提出的算法具有更好的时频聚集性和较强的噪声抑制能力，能有效地检测海杂波背景下缓慢运动的匀速和匀加速舰船目标。

针对红外船只图像较模糊导致的识别率低、识别速度慢等问题，提出了一种基于深度卷积神经网络(CNN)的检测算法。首先采用标记分水岭分割算法提取红外船只图像中的连通区域，并对原图相应的目标位置进行标记和归一化处理，提取候选区域。采用改进的AlexNet(一种深度CNN模型)进行船只目标识别，将提取的候选区域送入改进的AlexNet进行特征提取和预测，得到最终检测结果。分水岭方法可大大减少候选区域检测时间，以及减少深度CNN识别时间。利用实验室自制的红外成像系统获取近千张红外船只图像数据，并对其平移缩放形成的数据集进行仿真实验。结果表明，标记分水岭与深度CNN的结合，可有效识别船只目标，所提方法具有良好的性能，能够更加快速准确地识别红外船只目标。

visDrone2019数据集，可用于小目标检测

YOLOV5-seg实现实例分割+目标检测任务

这些论文深入研究并改进动目标尤其是慢速运动目标的检测和成像技术, 提高动目标检测概率,全面获取动目标的运动参数并对动目标精确成像;同时, 试图寻求一些新的动目标检测和成像方法,创新性地解决动目标检测和成像中的 关键问题,使之更加先进、高效和实用。是合成孔径雷达（SAR）运动目标检测经典论文。

适用者：算法学习者、研究者、开发者

雷达回波序列中弱小飞机目标检测跟踪数据集_宋志勇.caj

猪（pig）目标检测数据集，yolo格式的，可以直接用来yolo系列的训练，不需要进行再次转化，直接修改相应的yaml配置文件，即可使用。

手工标注行人检测数据集，图片为jpg，共485张，xml485个。