目标检测论文解读1：（RCNN解读）Rich feature hierarchies for accurate object detection...-附件资源

DFT的matlab源代码 surface-defect-detection 分享一些表面缺陷检测的文章，主要检测对象是：金属表面、LCD屏、建筑、输电线等缺陷或异常检物。方法以分类方法、检测方法、重构方法、生成方法为主。电子版论文放在了paper文件的对应日期文件下。 2019.01 [1]CNN做分类 论文题目：A fast and robust convolutional neural network-based defect detection model in product quality control 摘要：The fast and robust automated quality visual inspection has received increasing attention in the product quality control for production efficiency. To effectively detect defects in products, many methods focus on the handcrafted optica

路标检测 一个使用opencv检测图像中路标的程序

姿势识别源代码matlab 关键点检测 我们的模型使用带有递归模块的卷积神经网络从单个图像检测身体关键点。 下面，我们提供代码来训练和测试模型。 有关基于Web的演示，请访问。 软件依赖关系 您需要MATLAB和工具箱来运行此演示。 该演示已针对Matlab 2016a，CUDNN v5.1和cuda 8.0（使用Linux机器）进行了编译和测试。 训练模型（MPII人类姿势数据集） 通过执行getMPIIData_v3.m然后拆分MPIIData_V4.m下载并准备数据集。 数据准备需要几分钟才能完成。 输出是火车（ MPI_imdbsT1aug0.mat ， 〜3GB ）和验证（ MPI_imdbsV1aug0.mat ，〜0.3GB）文件。 执行trainBodyPose_example.m （需要设置一些参数，例如MatConvNet路径和GPU索引）。 要测试模型，请运行下面的演示，如下所述。 用一次循环迭代训练模型的参数： net = initialize3ObjeRecFusion(opts,2,0,'shareFlag',[0,1]); opts.derOutputs

FCOS: Fully Convolutional One-Stage Object Detection

人脸_面具_检测_CNN 基于计算机视觉和深度学习的OpenCV和Pytorch面罩检测系统 数据集 下载数据集： : 训练 训练ResNet50模型：在train_resnet50.ipynb中，选择data_path（安装数据集的位置）和model_dir（应保存训练后的模型的位置）。执行train_resnet50.ipynb 训练MobileNetV2模型：在train_mobilenetv2.ipynb中，选择data_path（安装数据集的位置）和model_dir（应保存经过训练的模型的位置）。执行train_mobilenetv2.ipynb 测验 打开test.ipynb 在导入中：从model_resnet50导入模型中选择以测试ResNet50模型，从model_mobilenetv2导入模型中选择以测试MobileNetV2模型。 选择一个model_p

9番茄病害检测与分类（准确度94％） 番茄是印度饮食中不可分割的一部分，这就是为什么在2020财年印度番茄产量超过2100万吨的原因。 但是，如果番茄田受到恶意疾病的保护，甚至会进一步推高这一数字，这将给农民造成金钱和时间方面的严重损失。 为了解决这个问题，我创建了一个深度学习模型，该模型能够识别健康的番茄植物和9种最有害和流行的番茄病，这些病包括细菌斑，早疫病，晚疫病，叶霉病，棕褐色斑病，蜘蛛螨，目标点，黄叶卷曲病毒和番茄花叶病毒。 使用的图书馆 张量流 凯拉斯 脾气暴躁的 大熊猫 Matplotlib 脾气暴躁的 球状 介绍 我创建了一个深度学习模型，该模型可以有效地识别九种番茄疾病。 该模型以常规图层为核心进行特征提取，并使用密集图层进行分类任务。 对模型进行了10个时期的训练，批次大小为574。用于模型训练的数据集是从Kaggle（ ）下载的。 数据可视化 健康 九种疾病

YOLObile 这是的实现使用。多亏了原作者。 arXiv： ：//arxiv.org/abs/2009.05697在AAAI 2021中进行 对于那些可能对编译器代码（如何将其部署到Android上）感兴趣的人：编译器源代码与我们在William＆Mary的合作者相关联，并且具有与IP相关的联合知识。我们现在没有计划将此部分开源。带来不便敬请谅解。 对于IOS开发人员：由于高度开源的优势，我们仅使用Android平台来构建和测试编译器。我们还相信可以在Apple IOS平台上应用相同的技术，但我们尚未对其进行测试。 介绍 物体检测技术的Swift发展和广泛应用引起了对物体检测器的准确性和速度的关注。但是，当前的最新对象检测工作要么使用大型模型以准确性为导向，但会导致高延迟，或者使用轻量级模型以速度为导向，但会牺牲准确性。在这项工作中，我们提出了YOLObile框架，该框架是通过压缩

mlkit-pose-detect-kotlin MLkit用于在Android上进行姿态检测并在画布上实时显示的实现

Face Mask Detection-口罩检测 基于计算机视觉和深度学习的口罩检测系统 使用 OpenCV 和 Tensorflow/Keras。使用 OpenCV、Keras/TensorFlow 构建的面罩检测系统，使用深​​度学习和计算机视觉概念来检测静态图像和实时视频流中的面罩。在持续的 COVID-19 大流行中，没有有效的口罩检测应用程序，现在对交通工具、人口稠密地区、住宅区、大型制造商和其他企业的安全需求很高。'with_mask' 图像的大型数据集的缺乏使这项任务变得繁琐和具有挑战性。我们的口罩检测器不使用任何变形蒙版图像数据集，并且模型是准确的。由于使用 MobileNetV2 架构，计算效率高， 特征 我们的口罩检测器不使用任何变形蒙版图像数据集，并且模型是准确的 由于 Covid-19 的爆发，该系统可用于需要出于安全目的进行面罩检测的实时应用 该项目可与嵌入式系统集成，应用于机场、火车站、办公室、学校和公共场所，以确保遵循公共安全准则 它的计算效率很高，因此更容易将模型部署到嵌入式系统（Raspberry Pi、Google Coral 等） 该数据集包含