这是一个使用 YOLO 前端和 Fast RCNN 后端的面罩检测模型。 我们使用 YOLO 的逐像素对象预测作为 Fast RCNN 的区域提议器。不同大小的像素（通过使用不同大小的过滤器）对应于这些位置不同大小的 RoI。这种架构是为人脸检测量身定制的，因为它最适合“方形”对象。 objectness>0.5 的位置被送入 Fast RCNN 后端，用于边界框回归和图像分类（如正确佩戴口罩、佩戴不当口罩、无口罩） 该模型建立在在 ImageNet 上预训练的 InceptionV3 之上 数据集取自 Kaggle

一种基于分层聚类方法的木马通信行为检测模型

近年来, 基于卷积神经网络的目标检测研究发展十分迅速, 各种检测模型的改进方法层出不穷. 本文主要对近几年内目标检测领域中一些具有借鉴价值的研究工作进行了整理归纳. 首先, 对基于卷积神经网络的主要目标检测框架进行了梳理和对比.

流量异常检测的东西，百度的资源分数太高了，下一个挪到CSDN给大家分享。

NanoDet 超快速，轻量的无锚物体检测模型。 在移动设备上实时。 :high_voltage: 超轻量级：模型文件只有1.8 MB。 :high_voltage: 超快：移动ARM CPU上97fps（10.23ms）。 :smiling_face_with_sunglasses: 易于培训：GPU内存成本比其他型号低得多。 GTX1060 6G上可使用批处理大小= 80。 :smiling_face_with_sunglasses: 易于部署：基于ncnn推理框架提供C ++实现和Android演示。 消息！！！ [2021.03.12]将变压器编码器应用于NanoDet！ 引入NanoDet-t ，用TAN（变压器关注网络）替代NanoDet-m中的PAN，在COCO val 2017上获得21.7 mAP（+1.1）。有关更多详细信息，请检查 。 [2021.03.03]更新了Nanodet-m-416 COCO预训练模型。 可可mAP（0.5：0.95）= 23.5 。 在下载。 [2021.02.03]支持和主干。 请检查。

再生成模型后，通常我们都是对小图进行检测，但是最终应用很多时候是对大图检测，输出大图，代码调用deeplabv3的pb文件对大幅图像进行检测，并输出大图。

Hed边缘检测模型和描述文件，下载使用即可

基于机器学习的Web入侵检测模型应用分析，可参考学习借鉴。

基于KNN算法的入侵检测模型设计与实现 最后实现的功能有： • 针对上面标准化和归一化处理后的数据集，进行KNN算法分类 • 采用欧式距离计算，并绘制散点分布图（序列号、最小欧式距离、类标） • ROC曲线评估

使用fastAPI对Opencv调用YOLO检测模型的过程进行封装，实现通过调用借口直接获取检测结果。