Road Sign Detection 路标检测数据集.zip

自然场景图像中的文本检测和识别是计算机视觉问题，长期以来一直是计算机工程师面临的挑战。 深度学习的新进步彻底改变了计算机视觉的世界。 本文尝试建立基于深度学习（DL）的文本检测和识别模型，以解释自然场景图像中的文本。 所提出的模型包括三个阶段，即候选文本区域检测，文本区域提取和文本识别。 首先将自然场景图像馈送到候选文本区域检测机制，该机制提取包含文本字符的潜在区域。 在处理的第一阶段中引入的包含非文本的区域在第二阶段中进行过滤。 然后，第二阶段产生的文本区域集将在最后阶段被识别。 候选文本区域检测中使用了最大稳定极值区域（MSER）算法。 该模型使用了两个卷积神经网络，一个在文本区域提取阶段，另一个在文本识别阶段。 看起来自然场景中的文本检测不是一个容易的问题。 在自然场景图像中检测和识别文本字符的复杂性主要是由于文本字符和自然场景的多样性，各种干扰的存在，不同的照明条件，文本的颜色，大小和区域的不同。 ICDAR-2011，ICDAR-2013，CHARS-74K和CIFAR-100数据集用于训练和验证我们的模型。

面膜检测-深层神经网络-三重解决方案 遮罩检测问题的三种解决方案，第一种以卷积神经网络的形式呈现，第二种以全连接神经网络的形式呈现，第三种以传递学习神经网络为基础。它们是通过Tensorflow Keras实现的。 背景 该报告介绍了遮罩检测问题及其解决方案。 它包含描述三种不同神经网络的三种配置：第一种是完全连接的网络。 第二个是基于转移学习的网络，第三个是卷积神经网络。 在此报告中，您将找到使用上述模型和其他信息（例如图形，代码行屏幕截图，损失与验证以及其他有助于理解我们的项目的ML概念）解决此问题的完整过程。 资料说明 用于训练模型的数据包含10,000张图像，其中一半显示一个戴着口罩的人，另一半显示未蒙面的人。我们使用的数据包含一个验证集，包含1,000张图片，500张蒙面和500张无遮盖的脸。 第三组用于测试模型，其中包含1,000张图片，500张蒙面和500张非蒙面。 你可以从

用matlab画误差椭圆代码Defect_Detection_MatLab Matlab实施的自动化缺陷检测项目 项目结构概述 该项目是用Matlab编写的，并使用Matlab r2017a版本运行。 该项目已在macOS Sierra，Windows 7，Windows 10和Ubuntu 17.10平台上进行了测试。 代码的某些部分需要支持CUDA的GPU才能正常运行。 该项目具有三种文件类型：函数，脚本和数据文件夹。 函数可以分为几类，例如数据解析器，筛选方法等。脚本可以分为几类，例如图像增强，列车级联对象检测器。 为了方便调用不同的函数，所有函数文件和脚本都直接位于同一文件夹中。 图像数据位于项目文件夹的子文件夹中。 图像数据文件夹可分为几类，例如正图像，负图像。 例如，两组正面图像分别位于文件夹“ positive”和“ aug_training_positive_images”中。 下图显示了项目结构的概述。 以下各节介绍了有关每个类别的更多详细信息。 源代码 剧本 要开始该项目，请仔细阅读所有脚本，以详细了解完整的工作流程。 这些脚本可以逐步运行，并在工作区以及命令行窗口

安全帽检测数据集 (Helmet Detection).zip

遮罩TextSpotter v3 这是ECCV 2020纸的PyTorch。 Mask TextSpotter v3是一种端到端的可训练场景文本查找器，它采用分段提议网络（SPN）而不是RPN。 Mask TextSpotter v3显着提高了旋转，长宽比和形状的鲁棒性。 与Mask TextSpotter的关系 在这里，我们将Mask TextSpotter系列标记为Mask TextSpotter v1（ ，），Mask TextSpotter v2（ ，）和Mask TextSpotter v3（ECCV 2020论文）。 该项目是由Creative Commons Attribution-NonCommercial 4.0 International授予的。部分代码是从继承的，后者已获得MIT许可。 安装 要求： Python3（建议使用Python3.7） PyTorch>

这是一个通过opencv读取图片，并进行物体识别的demo，能够正常识别图像，且注释很清楚

DLology博客 怎么跑 简单方法：运行 。 另外，如果您想使用图像而不是图像，则此仓库随附。 需要安装 。 分叉并将此存储库克隆到本地计算机。 https://github.com/Tony607/object_detection_demo 安装所需的库 pip3 install -r requirements.txt 第1步：注释一些图像 使用自定义对象保存一些照片，最好将jpg扩展名保存到./data/raw目录。 （如果您的对象很简单，例如此存储库随附的对象，则20张图像就足够了。） 将那些照片调整为统一大小。 例如(800, 600)与 python resize_images.py --raw-dir ./data/raw --save-dir ./data/images --ext jpg --target-size "(800, 600)" 调整大小的图像位于.

对象计数：使用opencv进行对象跟踪和计数

客户数据代码 使用一家电信公司的客户数据执行了降维和聚类检测，该客户创建了数据的不同子集，以便在python平台上使用PCA，TSne和UMap更好地可视化